第4章：勾引到手
第4章：勾引到手(第3/4頁)
“2005年，機器學習在圖形學中的應用幾乎是空白。”
薑宇繼續說，“已經有論文開始探索用神經網絡做降噪、超分辨率。如果我們訓練一個網絡，輸入場景的幾何、材質、光源信息，輸出每個光子對最終圖像的貢獻權重...提前剔除低權重的光子，存儲開銷可以降低70%以上。”
“這...”周牧盯著他，像在看外星人，“這需要大量的訓練數據和計算資源。而且，實時性怎麼保證？神經網絡推理也需要時間...”
“預訓練+輕量化模型。”薑宇說得很快，“用離線渲染的大量場景做訓練，得到一個通用模型。部署時用簡化的網絡結構，配合gpu加速。2005年的geforce7800gtx已經有可編程著色器單元，可以做簡單的矩陣運算。”
他頓了頓，補充：“我知道這聽起來超前。如果我們不做，一兩年後，一定會有人做。到時候我們就隻能追趕了。”
周牧沉默了很久。
最後他說：“你有具體的方案嗎？”
“有。”薑宇從背包裡拿出u盤，“昨晚寫了個大綱，包括數據采集方法、網絡結構設計、訓練和部署流程。但需要懂數學的人來完善。”
周牧接過u盤，插進電腦。
屏幕上跳出一個pdf文檔，28頁，圖文並茂，從理論推導到偽代碼，甚至還有初步的基準測試預估。
“你一晚上寫的？”周牧的聲音有些驚訝。
“睡不著。”薑宇輕描淡寫。
實際上，這是前世光影紀元在2018年才成熟的一項技術，基於深度學習的光子重要性預測。
他憑記憶還原了核心框架，雖然細節需要填補，但方向和路徑是清晰的。
周牧一頁頁翻看，呼吸逐漸急促。
“這個損失函數的設計...巧妙。”他指著其中一頁，“用渲染誤差的梯度作為監督信號，而不是直接的光子貢獻值...”
“因為直接貢獻值不穩定，受噪聲影響大。”薑宇接話，“用梯度更魯棒。”
“對！對！”周牧猛地轉頭看他，眼鏡片後的眼睛閃著光，“薑宇，你到底是什麼背景？國內哪個實驗室出來的？”
“中國傳媒大學，動畫與數字藝術學院。”薑宇微笑，“我們學校有幾位教授和mit媒體實驗室有合作。我接觸過一些前沿資料。”
半真半假的解釋。
周牧信了。
“這項目，我想做。”他說得很鄭重，“就算隻是理論驗證，也有發表頂級論文的可能。siggraph級彆。”
“不止是論文。”薑宇壓低聲音，“如果我們真能做出原型，甚至工具鏈，未來可以賣給工業光魔、維塔數碼，或者自己創業。”
“創業？”周牧愣住。
“為什麼不行？”
（本章未完，請點擊下一頁繼續閱讀）