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 ) 近日

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。

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/