ການສະແດງຂໍ້ມູນທາງປະສາດແມ່ນເຕັກນິກທີ່ພົ້ນເດັ່ນໃນການຮຽນຮູ້ເລິກເຊິ່ງມີຈຸດປະສົງເພື່ອຂະຫຍາຍທໍ່ແບບຄລາສສິກຂອງກາຟິກຄອມພິວເຕີດ້ວຍເຄືອຂ່າຍ neural.
ຂັ້ນຕອນການໃຫ້ຂໍ້ມູນທາງ neural ຈະຮຽກຮ້ອງໃຫ້ມີຊຸດຂອງຮູບພາບທີ່ເປັນຕົວແທນຂອງມຸມທີ່ແຕກຕ່າງກັນຂອງ scene ດຽວກັນ. ຫຼັງຈາກນັ້ນ, ຮູບພາບເຫຼົ່ານີ້ຈະຖືກປ້ອນເຂົ້າໄປໃນເຄືອຂ່າຍ neural ເພື່ອສ້າງຮູບແບບທີ່ສາມາດອອກມຸມໃຫມ່ຂອງ scene ດຽວກັນ.
ຄວາມສະຫຼາດຢູ່ເບື້ອງຫຼັງການສະແດງຜົນທາງ neural ແມ່ນຢູ່ໃນວິທີທີ່ມັນສາມາດສ້າງ scene photorealistic ທີ່ມີລາຍລະອຽດໄດ້ຢ່າງຖືກຕ້ອງໂດຍບໍ່ຈໍາເປັນຕ້ອງອີງໃສ່ວິທີການຄລາສສິກທີ່ອາດຈະເປັນຄວາມຕ້ອງການທາງດ້ານຄອມພິວເຕີ້ຫຼາຍຂຶ້ນ.
ກ່ອນທີ່ຈະເຂົ້າໄປໃນວິທີການສະແດງ neural ເຮັດວຽກ, ໃຫ້ພວກເຮົາໄປເບິ່ງພື້ນຖານຂອງການສະແດງຄລາສສິກ.
ການສະແດງຄລາສສິກແມ່ນຫຍັງ?
ທໍາອິດໃຫ້ພວກເຮົາເຂົ້າໃຈວິທີການທົ່ວໄປທີ່ໃຊ້ໃນການສະແດງຄລາສສິກ.
ການສະແດງແບບຄລາສສິກຫມາຍເຖິງຊຸດຂອງເຕັກນິກທີ່ໃຊ້ເພື່ອສ້າງຮູບພາບ 2D ຂອງສາກສາມມິຕິ. ເປັນທີ່ຮູ້ກັນວ່າເປັນການສັງເຄາະຮູບພາບ, ການໃຫ້ພາບແບບຄລາສສິກໃຊ້ວິທີຕ່າງໆເພື່ອຈຳລອງວ່າແສງມີປະຕິກິລິຍາກັບວັດຖຸປະເພດຕ່າງໆແນວໃດ.
ຕົວຢ່າງ, ການສ້າງດິນຈີ່ແຂງຈະຕ້ອງມີຊຸດສູດການຄິດໄລ່ສະເພາະເພື່ອກໍານົດຕໍາແຫນ່ງຂອງເງົາຫຼືວ່າຂ້າງໃດຂ້າງຫນຶ່ງຂອງກໍາແພງຈະມີແສງສະຫວ່າງດີ. ເຊັ່ນດຽວກັນ, ວັດຖຸທີ່ສະທ້ອນ ຫຼືສະທ້ອນແສງ, ເຊັ່ນ: ກະຈົກ, ວັດຖຸເຫຼື້ອມ, ຫຼື ຮ່າງກາຍຂອງນ້ໍາ, ຈະຕ້ອງໃຊ້ເຕັກນິກຂອງຕົນເອງເຊັ່ນກັນ.
ໃນການສະແດງແບບຄລາສສິກ, ແຕ່ລະຊັບສິນຖືກສະແດງດ້ວຍຕາຫນ່າງ polygon. ຫຼັງຈາກນັ້ນ, ໂປຣແກຣມ shader ຈະໃຊ້ polygon ເປັນການປ້ອນຂໍ້ມູນເພື່ອກໍານົດວ່າວັດຖຸຈະມີລັກສະນະແນວໃດກັບແສງສະຫວ່າງແລະມຸມທີ່ກໍານົດໄວ້.
ການສະແດງຜົນແບບຈິງຈະຕ້ອງໃຊ້ພະລັງງານການຄຳນວນຫຼາຍກວ່າເກົ່າ ເນື່ອງຈາກຊັບສິນຂອງພວກເຮົາມີຫຼາຍພັນຫຼາຍພັນອັນເພື່ອໃຊ້ເປັນການປ້ອນຂໍ້ມູນ. ຜົນຜະລິດທີ່ຜະລິດໂດຍຄອມພິວເຕີທີ່ພົບເລື້ອຍໃນ Hollywood blockbusters ໂດຍປົກກະຕິໃຊ້ເວລາຫຼາຍອາທິດຫຼືຫຼາຍເດືອນເພື່ອສະແດງຜົນແລະສາມາດມີມູນຄ່າຫຼາຍລ້ານໂດລາ.
ວິທີການ tracing ray ແມ່ນຄ່າໃຊ້ຈ່າຍໂດຍສະເພາະເນື່ອງຈາກວ່າແຕ່ລະ pixels ລວງໃນຮູບສຸດທ້າຍຮຽກຮ້ອງໃຫ້ມີການຄິດໄລ່ຂອງແສງສະຫວ່າງເສັ້ນທາງທີ່ເອົາຈາກແຫຼ່ງແສງສະຫວ່າງໄປຫາວັດຖຸແລະກ້ອງຖ່າຍຮູບ.
ຄວາມກ້າວຫນ້າໃນຮາດແວໄດ້ເຮັດໃຫ້ການສະແດງຮູບພາບທີ່ສາມາດເຂົ້າເຖິງໄດ້ຫຼາຍສໍາລັບຜູ້ໃຊ້. ສໍາລັບຕົວຢ່າງ, ຈໍານວນຫຼາຍຂອງຫລ້າສຸດ ວິດິໂອເກມ ອະນຸຍາດໃຫ້ມີເອັບເຟັກ ray-traced ເຊັ່ນ: ການສະທ້ອນຮູບຈິງ ແລະເງົາຕາບໃດທີ່ຮາດແວຂອງພວກມັນຂຶ້ນກັບໜ້າວຽກ.
GPUs ຫຼ້າສຸດ (ຫນ່ວຍປະມວນຜົນກຣາຟິກ) ຖືກສ້າງຂຶ້ນໂດຍສະເພາະເພື່ອຊ່ວຍໃຫ້ CPU ຈັດການການຄິດໄລ່ທີ່ຊັບຊ້ອນສູງທີ່ຕ້ອງການເພື່ອສະແດງຮູບພາບທີ່ມີຮູບພາບທີ່ແທ້ຈິງ.
ການເພີ່ມຂຶ້ນຂອງການສະແດງຂອງເສັ້ນປະສາດ
ການສະແດງເສັ້ນປະສາດພະຍາຍາມແກ້ໄຂບັນຫາການສະແດງຜົນໃນທາງທີ່ແຕກຕ່າງ. ແທນທີ່ຈະໃຊ້ algorithms ເພື່ອຈໍາລອງວ່າແສງສະຫວ່າງພົວພັນກັບວັດຖຸ, ຖ້າພວກເຮົາສ້າງແບບຈໍາລອງທີ່ຮຽນຮູ້ວ່າ scene ຄວນເບິ່ງຈາກມຸມໃດ?
ທ່ານສາມາດຄິດວ່າມັນເປັນທາງລັດໃນການສ້າງ scenes photorealistic. ດ້ວຍການສະແດງຜົນທາງ neural, ພວກເຮົາບໍ່ ຈຳ ເປັນຕ້ອງຄິດໄລ່ວ່າແສງສະຫວ່າງພົວພັນກັບວັດຖຸ, ພວກເຮົາພຽງແຕ່ຕ້ອງການຂໍ້ມູນການຝຶກອົບຮົມພຽງພໍ.
ວິທີການນີ້ອະນຸຍາດໃຫ້ນັກຄົ້ນຄວ້າສ້າງ renders ທີ່ມີຄຸນນະພາບສູງຂອງ scenes ສະລັບສັບຊ້ອນໂດຍບໍ່ຈໍາເປັນຕ້ອງປະຕິບັດ
Neural fields ແມ່ນຫຍັງ?
ດັ່ງທີ່ໄດ້ກ່າວກ່ອນຫນ້ານີ້, ການສະແດງ 3D ສ່ວນໃຫຍ່ໃຊ້ຕາຫນ່າງ polygon ເພື່ອເກັບຂໍ້ມູນກ່ຽວກັບຮູບຮ່າງແລະໂຄງສ້າງຂອງແຕ່ລະວັດຖຸ.
ຢ່າງໃດກໍຕາມ, ພາກສະຫນາມ neural ກໍາລັງໄດ້ຮັບຄວາມນິຍົມເປັນວິທີການທາງເລືອກໃນການເປັນຕົວແທນຂອງສາມມິຕິລະດັບ. ບໍ່ເຫມືອນກັບຕາຫນ່າງ polygon, ຊ່ອງ neural ແມ່ນແຕກຕ່າງກັນແລະຢ່າງຕໍ່ເນື່ອງ.
ພວກເຮົາຫມາຍຄວາມວ່າແນວໃດເມື່ອພວກເຮົາເວົ້າວ່າ neural fields ແມ່ນແຕກຕ່າງກັນ?
ຜົນຜະລິດ 2D ຈາກພາກສະຫນາມ neural ສາມາດໄດ້ຮັບການຝຶກອົບຮົມໃຫ້ກາຍເປັນ photorealistic ໂດຍພຽງແຕ່ປັບນ້ໍາຫນັກຂອງ neural network ໄດ້.
ການນໍາໃຊ້ພາກສະຫນາມ neural, ພວກເຮົາບໍ່ຈໍາເປັນຕ້ອງຈໍາລອງຟີຊິກຂອງແສງເພື່ອສະແດງ scene ໄດ້. ຄວາມຮູ້ຂອງວິທີການ render ສຸດທ້າຍຈະຖືກ lit ໄດ້ຖືກເກັບຮັກສາໄວ້ implicitly ພາຍໃນນ້ໍາຫນັກຂອງພວກເຮົາ ເຄືອຂ່າຍ neural.
ນີ້ອະນຸຍາດໃຫ້ພວກເຮົາສ້າງຮູບພາບແລະວິດີໂອໃຫມ່ຂ້ອນຂ້າງໄວຈາກພຽງແຕ່ມືຂອງຮູບຫຼືວິດີໂອ footage.
ວິທີການຝຶກອົບຮົມພາກສະຫນາມ Neural?
ໃນປັດຈຸບັນທີ່ພວກເຮົາຮູ້ພື້ນຖານຂອງວິທີການພາກສະຫນາມ neural ເຮັດວຽກ, ໃຫ້ພວກເຮົາພິຈາລະນາວິທີການທີ່ນັກຄົ້ນຄວ້າສາມາດຝຶກອົບຮົມພາກສະຫນາມ radiance neural ຫຼື. NeRF.
ທໍາອິດ, ພວກເຮົາຈະຕ້ອງການຕົວຢ່າງຈຸດປະສານງານແບບສຸ່ມຂອງ scene ແລະອາຫານໃຫ້ເຂົາເຈົ້າເຂົ້າໄປໃນເຄືອຂ່າຍ neural. ເຄືອຂ່າຍນີ້ຫຼັງຈາກນັ້ນຈະສາມາດຜະລິດປະລິມານພາກສະຫນາມ.
ປະລິມານພາກສະຫນາມທີ່ຜະລິດໄດ້ຖືກພິຈາລະນາຕົວຢ່າງຈາກໂດເມນການຟື້ນຟູທີ່ຕ້ອງການຂອງ scene ທີ່ພວກເຮົາຕ້ອງການສ້າງ.
ຫຼັງຈາກນັ້ນ, ພວກເຮົາຈະຕ້ອງສ້າງແຜນທີ່ໃຫມ່ໃຫ້ກັບຮູບພາບ 2D ຕົວຈິງ. ຈາກນັ້ນ algorithm ຈະຄິດໄລ່ຄວາມຜິດພາດໃນການກໍ່ສ້າງຄືນໃຫມ່. ຄວາມຜິດພາດນີ້ຈະຊີ້ນໍາເຄືອຂ່າຍ neural ເພື່ອປັບຄວາມສາມາດຂອງຕົນໃນການສ້າງຕັ້ງສາກຄືນໃຫມ່.
ການນໍາໃຊ້ຂອງການ Rendering ເສັ້ນປະສາດ
Novel View Synthesis
ການສັງເຄາະມຸມເບິ່ງ Novel ຫມາຍເຖິງວຽກງານຂອງການສ້າງມຸມເບິ່ງກ້ອງຖ່າຍຮູບຈາກມຸມໃຫມ່ໂດຍໃຊ້ຂໍ້ມູນຈາກຈໍານວນມຸມເບິ່ງທີ່ຈໍາກັດ.
ເທກນິກການສະແດງຂໍ້ມູນທາງ neural ພະຍາຍາມເດົາຕໍາແຫນ່ງທີ່ກ່ຽວຂ້ອງຂອງກ້ອງຖ່າຍຮູບສໍາລັບແຕ່ລະຮູບພາບໃນຊຸດຂໍ້ມູນແລະປ້ອນຂໍ້ມູນນັ້ນເຂົ້າໄປໃນເຄືອຂ່າຍ neural.
ຫຼັງຈາກນັ້ນ, ເຄືອຂ່າຍ neural ຈະສ້າງການສະແດງ 3D ຂອງ scene ທີ່ແຕ່ລະຈຸດໃນຊ່ອງ 3D ມີສີແລະຄວາມຫນາແຫນ້ນທີ່ກ່ຽວຂ້ອງ.
ການປະຕິບັດໃຫມ່ຂອງ NeRFs ໃນ ກູໂກ Street View ໃຊ້ການສັງເຄາະວິວໃໝ່ເພື່ອໃຫ້ຜູ້ໃຊ້ສາມາດສຳຫຼວດສະຖານທີ່ຕົວຈິງໄດ້ຄືກັບວ່າເຂົາເຈົ້າກຳລັງຄວບຄຸມກ້ອງຖ່າຍວິດີໂອ. ນີ້ອະນຸຍາດໃຫ້ນັກທ່ອງທ່ຽວຄົ້ນຫາຈຸດຫມາຍປາຍທາງຢ່າງເລິກເຊິ່ງກ່ອນທີ່ຈະຕັດສິນໃຈເດີນທາງໄປສະຖານທີ່ສະເພາະ.
ຮູບແທນຕົວຈິງ
ເຕັກນິກຂັ້ນສູງໃນການສະແດງຜົນທາງປະສາດຍັງສາມາດປູທາງໄປສູ່ຮູບສັນຍາລັກດິຈິຕອນທີ່ແທ້ຈິງໄດ້ຫຼາຍຂຶ້ນ. ຫຼັງຈາກນັ້ນ, ຮູບແທນຕົວເຫຼົ່ານີ້ສາມາດຖືກນໍາໃຊ້ສໍາລັບພາລະບົດບາດຕ່າງໆເຊັ່ນ: ຜູ້ຊ່ວຍ virtual ຫຼືການບໍລິການລູກຄ້າ, ຫຼືເປັນວິທີການສໍາລັບຜູ້ໃຊ້ທີ່ຈະໃສ່ລັກສະນະຂອງເຂົາເຈົ້າໃນ. ວິດີໂອເກມ ຫຼືການສະແດງຜົນຈໍາລອງ.
ຕົວຢ່າງເຊັ່ນ a ເຈ້ຍ ຈັດພີມມາໃນເດືອນມີນາ 2023 ແນະນໍາການນໍາໃຊ້ເຕັກນິກການ rendering neural ເພື່ອສ້າງຮູບແທນຕົວທີ່ແທ້ຈິງຂອງຮູບພາບຫຼັງຈາກສອງສາມນາທີຂອງວິດີໂອ.
ສະຫຼຸບ
Neural rendering is an exciting field of study that have the potential to change the whole computer graphics industry.
ເຕັກໂນໂລຊີສາມາດຫຼຸດຜ່ອນອຸປະສັກຂອງການເຂົ້າສໍາລັບການສ້າງຊັບສິນ 3D. ທີມງານ Visual Effect ອາດຈະບໍ່ຕ້ອງລໍຖ້າຫຼາຍມື້ເພື່ອສະແດງກຣາຟຟິກຮູບຈິງສອງສາມນາທີ.
ການລວມເອົາເທກໂນໂລຍີກັບແອັບພລິເຄຊັນ VR ແລະ AR ທີ່ມີຢູ່ແລ້ວອາດຈະເຮັດໃຫ້ຜູ້ພັດທະນາສ້າງປະສົບການທີ່ເລິກເຊິ່ງກວ່າ.
ທ່ານຄິດວ່າອັນໃດເປັນທ່າແຮງທີ່ແທ້ຈິງສໍາລັບການສະແດງປະສາດທາງ neural?
ອອກຈາກ Reply ເປັນ