[發明專利]神經網絡控制變量

在審

• 申請號: 202110303103.5
• 申請日: 2021-03-22
• 公開（公告）號: CN113496271A
• 公開（公告）日: 2021-10-12
• 發明（設計）人: T·穆勒;F·P·A·魯塞爾;A·G·凱勒;J·諾瓦克
• 申請（專利權）人: 輝達公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/067;G06N3/08;G06F17/15
• 代理公司: 北京市磐華律師事務所 11336
• 代理人: 高偉

1.一種計算機實現的方法，包括：

使用第一神經網絡基于輸入y預測第一函數g(x,y)的第一參數積分G(y)；

使用積分到一的第二函數近似所述第一函數的形狀，其中所述第二函數的參數由至少一個神經網絡計算；

將所述第一函數計算為所述第一參數積分和所述第二函數的乘積；

使用所述乘積估計差分積分；

組合所述差分積分和所述第一參數積分，以估計第二參數積分F(y)的解；以及

使用所述解近似線性算子。

2.根據權利要求1所述的計算機實現的方法，其中所述第二函數是歸一化流。

3.根據權利要求1所述的計算機實現的方法，其中所述第二參數積分是F(y)＝G(y)+∫f(x,y)-g(x,y)dx。

4.根據權利要求1所述的計算機實現的方法，其中組合所述乘積和所述第一參數積分包括：由參數縮放系數α(y)來縮放所述乘積和所述第一參數積分兩者。

5.根據權利要求4所述的計算機實現的方法，其中所述參數縮放系數是由第二神經網絡計算的，并且所述第二神經網絡的權重是通過使用蒙特卡洛算法最小化估計所述差分積分的方差來獲得的。

6.根據權利要求4所述的計算機實現的方法，其中所述參數縮放系數使用蒙特卡洛算法最小化估計所述差分積分的方差。

7.根據權利要求1所述的計算機實現的方法，其中所述第二參數積分F(y)表示特定輸入y的光場、輻射率、強度、輻射度、輻照度、通量、光譜輻射率、場輻射率和體輻射率中的至少一個的值。

8.根據權利要求7所述的計算機實現的方法，其中所述第一神經網絡的輸入y是與光傳輸路徑的頂點相關聯的命中信息。

9.根據權利要求8所述的計算機實現的方法，其中：

所述線性算子生成圖像；以及

所述圖像表示從視點渲染的3D場景，所述方法還包括：

接收從視點到所述3D場景的光傳輸路徑的分段的頂點，

其中所述第一神經網絡和所述至少一個神經網絡中的至少一個預測在所述光傳輸路徑的頂點處的值，其中所述值用于生成所述圖像。

10.根據權利要求8所述的計算機實現的方法，還包括：使用啟發法來選擇輸入的子集，針對所述輸入的子集，所述差分積分設置為零。

11.根據權利要求10所述的計算機實現的方法，其中所述啟發法將所選擇的閾值與在與所述輸入相關聯的所述頂點處的所述光傳輸路徑的路徑微分的精確或近似面積中的至少一個進行比較。

12.根據權利要求8所述的計算機實現的方法，還包括：在與所述頂點相對應的第一段處使用重要性采樣來確定所述光傳輸路徑的后續段的方向。

13.根據權利要求7所述的計算機實現的方法，其中使用光傳輸路徑來訓練所述第一神經網絡和所述至少一個神經網絡。

14.根據權利要求1所述的計算機實現的方法，其中使用所述輸入的至少第一值來訓練所述第一神經網絡，所述輸入包括所述輸入的所述第一值和至少一個第二值。

15.根據權利要求1所述的計算機實現的方法，還包括：使用與絕對差|f(x,y)-g(x,y)|成比例的x的重要性采樣來估計所述差分積分。

16.根據權利要求14所述的計算機實現的方法，其中使用由所述至少一個神經網絡參數化的歸一化流來執行所述重要性采樣。