英伟达已初次完成 SDF 实时渲染

“实时渲染”关键运用于手机游戏行业，它可以将图型数据信息即时转换为具有现实感的 三维 界面，是决策游戏感受的首要条件之一。

针对实时渲染来讲，较大 的挑戰就是渲染速率。一般 而言，渲染一显示屏的动画场景的图象，最少要在 1/24 秒之内，才不会有 “翻 PPT”的觉得。

近日，英伟达显卡发布一项全新研究成效将实时渲染速率提高了 2-3 个量级。

而在渲染品质上，它也可以能够更好地解决繁杂款式、占比的图型数据信息，乃至即时同歩自然环境阳光照射很有可能产生的黑影。

Facebook 与 MIT研究精英团队在 2019 年发布的 DeepSDF，是目前有关研究的最好 三维 复建实体模型。

与之对比，不论是在渲染速率，還是品质层面，英伟达显卡的全新研究也要更胜一筹。

橙色代表 DeepSDF 渲染实际效果

此项全新研究是一篇名叫《神经系统几何图形关键点水准：隐式 三维 样子的实时渲染》的毕业论文，它是英伟达显卡协同多伦多大学、麦吉尔大学研究工作人员一同发布的研究成效，现阶段已提交至预印论文库 arXiv。

毕业论文中，研究工作人员表明，她们根据引进了一种高效率的神经元网络表明方式，初次完成了根据 SDF 的 三维 高保真音响实时渲染，另外做到了最优秀的几何图形复建品质。更关键的是，与别的研究对比，它在渲染速率上提高了 2-3 个量级。

SVO 编号，渲染速率翻番

SDF，即标记间距涵数 Signed Distance Function，是电子计算机图象处理中一种合理的表明方式。

在目前研究中，一般 是选用一个很大、具备固定不动规格的多层感知器（MLP）对 SDF 开展编号，以类似意味着具备隐式斜面的繁杂图型。殊不知，应用大中型互联网开展实时渲染造成了价格昂贵的核算成本，因为它必须让每一个清晰度根据互联网地开展往前传送。

根据此，研究精英团队明确提出了改成稀少体素八叉树（SVO）来对几何图形样子开展编号的方式，它能够 响应式地放缩不一样的离散变量关键点层级 LOD（ Level of Detail ），并复建高宽比关键点的几何图形构造。

如图所示，该方式在不一样规格的立体图形中间光滑地插值法，并占有有效运行内存开展实时渲染。

研究工作人员详细介绍，与目前研究一样，她们一样应用了一个中小型 MLP 来完成圆球追踪。而且遭受經典斜面获取体制的启迪，应用了储存间距值的正交和室内空间算法设计对欧几里德室内空间开展细致离散化，以使简易的线性基涵数能够 复建立体图形。

在这种工作上，屏幕分辨率或树深层决策了 LOD（不一样的 LOD 能够 与 SDF 插值法开展混和）。对于此事，研究工作人员应用了稀少体素八叉树（SVO）来离散变量室内空间，并储存学习培训的矩阵的特征值，而不是标记间距值。

那样做的益处是，它容许空间向量能够 根据浅部 MLP 编解码成标量间距，在承继經典方式（如 LOD）优势的另外，可以进一步减少树深层。

在这个基础上，研究工作人员还开发设计了一种对于该系统架构的光源解析xml优化算法（ Rray Traversal Algorithm），完成了比 DeepSDF 快 100 倍的渲染速率。此外，尽管没法与神经系统容积绘图方式开展立即较为，但在相近的试验自然环境中，其帧速率还要比 NeRF 快 500 倍，比 NSVF 快 50 倍。

试验检测，渲染品质更细致

在品质上，研究工作人员将该方式与 DeepSDF、FFN、SIREN 及其 Neural Implicits（NI）四种优化算法开展了较为，他们在过度拟合 三维 几何图形样子层面均做到了目前研究的最好特性。

下列为不一样优化算法在 ShapeNet、Thingi10K 和 TurboSquid 三个数据上开展 三维 复建的较为結果。

能够 见到，从 LOD3 逐渐该方式主要表现出了更强的特性。在第三个 LOD 中，不但储存主要参数最少，并且逻辑推理主要参数在全部屏幕分辨率上面固定不动为 4737 个浮点值，与 FFN 对比降低了 99%，与 Neural Implicits 对比降低了 37%。

更关键的是，在低储存和逻辑推理主要参数的状况下，该方式主要表现出了更强的复建品质。如下图：

与 NI、FFN 对比，该方式可以更为精确地渲染出图象的关键点，并且速率比 FFN 快 50 倍。

此外，在渲染品质上，研究工作人员还将该方式在 Shadertoy 的2个独特实例中开展了检测：Oldcar，它包括了一个高宽比非衡量的有标记间距场；Mandelbulb，是一个只有用隐式斜面表明的递归分形构造。

这二种 SDF 全是由数学课关系式界定的，她们从这当中获取并取样间距值，检测結果以下：

比较之下，仅有该方式的构架才可以精确地捕获繁杂实例的高频率关键点。能够 看得出，FFN 和 SIREN 展现的实际效果十分不理想化，其缘故很有可能是由于他们都只有线性拟合光滑间距场，没法解决不连续性和递归结构，以致于在渲染时难以突显几何图形关键点。

总而言之，根据引进隐式 三维 图型的表明方式 LOD，该方式能够 做到最优秀的几何图形复建品质，另外容许更小占有运行内存下的实时渲染。但是，研究工作人员也直言，该方式在大情景、或是十分薄、无容积的的物件上并不适合，这将是将来的一个研究方位。

但从时下看来，该方式意味着了根据神经系统隐函数代数学的一个重特大发展，因为它是第一个根据 SDF 完成实时渲染和展现的表明方式，将来有希望运用到情景复建、智能机器人最短路径算法、互动式內容建立等好几个实际情景中。

有关创作者

毕业论文的一作是来源于多伦多大学的计算机博士 Towaki Takikawa。他曾在的英伟达显卡的集成电路工艺图像处理研究（Hyperscale Graphics Research）小组工作。

关键研究方位集中化在人工智能算法和电子计算机图象处理，对探寻深度学习驱动器 三维 几何图形解决优化算法十分很感兴趣。此外在智能机器人有关新项目的硬件软件层面也是有一定的工作经验。

此外参加此次研究的也有 Joey Litalien、Kangxue Yin、Karsten Kreis1、Charles Loop、Derek Nowrouzezahrai、Alec Jacobson、Morgan McGuire、Sanja Fidler 等八位专家学者。

在其中 Kangxue Yin 是一位中国人专家学者，他曾在中科院深圳市优秀技术性研究院（SIAT）工作中 3 年，以后考上西蒙弗雷泽高校（Simon Fraser University）高校并获得了博士研究生。