天才一秒记住【热天中文网】地址：https://www.rtzw.net
下午1:30，工程学院计算机楼三层，实验室。
姜宇按照课程表找到《实时渲染算法》的实验室。
推门进去，房间里只有六七个人，全是男生，空气中瀰漫著代码和速食麵的味道。
周牧坐在角落，面前两台显示器，正盯著满屏的数学公式和代码。
“嗨。”
姜宇走过去，在他旁边坐下。
周牧抬头，推了推眼镜：“姜宇？你也选这门课？”
“嗯。”
姜宇看了眼他的屏幕，“在优化光子映射的內存结构？”
“对。”
周牧眼睛亮了，“我发现传统的光子图存储方式太浪费，80%的光子最终不会对最终图像產生显著贡献。
我想用重要性採样和自適应存储...”
他又开始滔滔不绝。
姜宇耐心听了五分钟，然后开口：“为什么不试试用机器学习预测光子重要性？”
周牧愣住。
“2005年，机器学习在图形学中的应用几乎是空白。”
姜宇继续说，“已经有论文开始探索用神经网络做降噪、超解析度。
如果我们训练一个网络，输入场景的几何、材质、光源信息，输出每个光子对最终图像的贡献权重...提前剔除低权重的光子，存储开销可以降低70%以上。”
“这...”
周牧盯著他，像在看外星人，“这需要大量的训练数据和计算资源。
而且，实时性怎么保证？神经网络推理也需要时间...”
“预训练+轻量化模型。”
姜宇说得很快，“用离线渲染的大量场景做训练，得到一个通用模型。
部署时用简化的网络结构，配合gpu加速。
2005年的geforce7800gtx已经有可编程著色器单元，可以做简单的矩阵运算。”
他顿了顿，补充：“我知道这听起来超前。
如果我们不做，一两年后，一定会有人做。
到时候我们就只能追赶了。”
周牧沉默了很久。
最后他说：“你有具体的方案吗？”
“有。”
姜宇从背包里拿出u盘，“昨晚写了个大纲，包括数据採集方法、网络结构设计、训练和部署流程。
但需要懂数学的人来完善。”
周牧接过u盘，插进电脑。
屏幕上跳出一个pdf文档，28页，图文並茂，从理论推导到偽代码，甚至还有初步的基准测试预估。
“你一晚上写的？”
周牧的声音有些惊讶。
“睡不著。”
姜宇轻描淡写。
实际上，这是前世光影纪元在2018年才成熟的一项技术，基於深度学习的光子重要性预测。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！