英伟达新技术将NeRF模型训练速度提高60倍,最快只需5秒( 二 )


视频|十亿像素图像任务(来源:GitHub)
上图展示的是十亿像素图像任务的实时训练进度 。 该任务主要指的是多层感知器(Multi-LayerPerceptrons , MLP)学习“从2D坐标到高分辨率图像的RGB颜色的映射” 。
相比自适应坐标网络(AdaptiveCoordinateNetworks , ACORN) , 英伟达的方法要达到38.59分贝的峰值信噪比(PSNR) , 需要2.5分钟的训练 , 而ACORN则要经过36.9小时 。
英伟达新技术将NeRF模型训练速度提高60倍,最快只需5秒
文章图片
动图|对各种SDF数据集的实时训练进度(来源:GitHub)
值得一提的是 , 神经符号距离函数任务的训练数据是从地面实况网格动态生成的 , 并采用了NVIDIAOptiX光线追踪引擎 。
许多图形问题依赖于特定任务的数据结构的稀疏性或平滑性 , 而多分辨率哈希编码则提供了一个实用的基于学习的替代方案 。 它会自动关注相关的细节 , 甚至被用于时间受限的设置 , 如在线训练和推理 。
而在神经网络输入编码的背景下 , 它也可以是一种临时替代 , 例如 , 加速NeRF几个数量级 。
英伟达证明 , 对于许多图形应用程序来说 , 单GPU训练时间是可以达到以秒为单位的 。 这使得神经方法可以应用到更多的地方 。
-End-
参考:
https://nvlabs.github.io/instant-ngp/assets/mueller2022instant.pdf
https://nvlabs.github.io/instant-ngp/