用于神经网络的多分辨率散列编码制造技术

本公开涉及用于神经网络的多分辨率散列编码。通过经由散列函数将神经网络的输入编码(映射)到更高维空间，可以提高神经网络在训练速度和/或准确性方面的性能。输入包括用于识别d维空间(例如3D空间)内的点的坐标。该点被量化，并且与该点对应的一组顶点坐标被输入到散列函数。例如，对于d＝3，可以将空间划分为相同大小的轴对齐体素，并且将包含该点的体素的顶点坐标输入到散列函数以产生一组经编码的坐标。这组经编码的坐标用于在已经被学习的大小为T的表中查找D维的特征向量。基于点的坐标对学习过的特征向量进行过滤(例如线性插值等)，以计算出与该点对应的特征向量。以计算出与该点对应的特征向量。以计算出与该点对应的特征向量。

【技术实现步骤摘要】
用于神经网络的多分辨率散列编码
[0001]要求优先权
[0002]本申请要求2021年8月2日提交的题为“用于神经网络的多分辨率散列编码(Multiresolution Hash Encoding for Neural Networks)”的美国临时申请第63/228,237号和2022年1月5日提交的题为“用于神经网络的多分辨率散列编码”的美国临时申请第63/296,792号的权益，其全部内容通过引用并入本文。

技术介绍

[0003]全连接网络，也就是多层感知器(MLP)，在计算机图形应用(例如神经符号距离函数、重要性采样和根据相机视图或噪声渲染数据训练的光场)中再次兴起。这些计算机图形应用程序的方法的一个重要共同点是将神经网络输入映射到精心选择的高维空间以显着提高近似质量的编码。这种编码的理想特性为准确性、多功能性和效率。其中使用全连接网络来编码隐函数的神经图形基元的训练和评估的成本可能很高。需要解决这些问题和/或与现有技术相关的其他问题。

技术实现思路

[0004]本公开的实施例涉及用于神经网络的多分辨率散列编码。通过经由散列函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现的方法，包括：接收神经网络模型的输入；生成对应于所述输入的坐标；根据散列函数处理所述坐标以产生经编码的坐标；使用所述经编码的坐标来获得存储在表的条目中的特征向量；以及将所述特征向量输入到所述神经网络模型。2.如权利要求1所述的计算机实现的方法，其中生成所述坐标包括将所述输入量化为一组顶点。3.如权利要求2所述的计算机实现的方法，还包括在输入所述特征向量之前，基于所述输入和所述一组顶点对所述特征向量进行过滤。4.如权利要求1所述的计算机实现的方法，还包括针对所述经编码的坐标的至少一个另外的分辨率生成另外的坐标。5.如权利要求4所述的计算机实现的方法，其中所述特征向量和用于所述至少一个另外的分辨率的另外的特征向量被学习。6.如权利要求1所述的计算机实现的方法，其中所述特征向量被学习。7.如权利要求1所述的计算机实现的方法，其中对应于所述坐标的至少一个另外的分量被包括在一组经编码的坐标中。8.如权利要求1所述的计算机实现的方法，其中所述神经网络模型被训练用于预测有符号距离函数、重要性采样、预测光场和辐射场或逼近数学函数的任务。9.如权利要求1所述的计算机实现的方法，其中所述神经网络模型和所述特征向量随着时间被连续地训练。10.如权利要求1所述的计算机实现的方法，其中接收、生成、处理、使用和输入的步骤中的至少一个步骤在服务器上或在数据中心中被执行以生成图像，并且将所述图像流式传输到用户设备。11.如权利要求1所述的计算机实现的方法，其中接收、生成、处理、使用和输入的步骤中的至少一个步骤在云计算环境内被执行。12.如权利要求1所述的计算机实现的方法，其中接收、生成、处理、使用和输入的步骤...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：辉达公司，
类型：发明
国别省市：