Instant-NGP稿子

最新推荐文章于 2024-12-17 23:17:48 发布

jm姐姐争取5年毕业

最新推荐文章于 2024-12-17 23:17:48 发布

阅读量684

点赞数

文章标签：论文阅读机器学习人工智能

本文链接：https://blog.csdn.net/pjm616/article/details/131301367

版权

Instant-NGP是一种使用哈希编码的多分辨率神经图形技术，能在短时间内生成高质量图像。该方法通过不同分辨率等级的哈希表捕获特征，利用小规模网络处理哈希特征。在可能出现的哈希冲突问题上，Instant-NGP依赖神经网络的梯度优化来解决。实验表明，这种方法在训练速度上优于其他技术。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Instant-NGP是英伟达2022年发表的一篇论文，全称是使用哈希编码的多分辨率的即时神经图形原语

那这篇文章呢

这篇文章提出了一种对输入做哈希encoding的方式，来让很小的网络也能学到很高的质量。

这个图片是文中的一个图片，表现了可以在训练很短的时间内就将图像表现得很清晰

那么这些输入的特征怎么去得到得呢？就是用到了一个多分辨率哈希编码，我们可以结合下面的参数来看

这个L表示具有多少分辨率等级，图中只画出了两个等级，就是L=0和L=1，那么具体到实际中的是16个等级，然后每一个等级的时候其实对应一个哈希表，具体有多少项就是用T表示（可以理解为哈希表的表长这里是2^14到220），然后每一项特征的维度是多少使用F表示，这里就是F=2

下面的Nmin和Nmax在代码里也是固定值；这两个表示最小分辨率和最大分辨力
这两个值就确定了在这个分辨率下，我要将这图片分为多少个网格

然后我们再来看他是如何得到哈希特征的，首先这个点我们可以计算他在哪些方格当中，那他落在这两个之中就对应了不同的等级

在L=1这个登记下我们去计算他的哈希特征。首先我们会将这四个顶点进行一个哈希映射，得到一个哈希索引就是0 2 3 6，然后我们再去对应的哈希表中去找相应的哈希特征，然后我们再用双线性插值的方法得到这个点的哈希特征

对于每一个等级下都会得到一个F=2的哈希特征，最终通过多分辨率哈希编码以后最终得到的就是16*2的哈希特征，此外还有一个辅助特征进行一个拼接，最后再送入到这个比较小的哈希网络中

2^14对于比较小的level的话，网格的数量小于T，那就不会发生哈希冲突
但是在比较精细的level下，比如这个最大分辨率，那么网格的总数可能会大于table length，那有可能发生哈希冲突，索引到相同的value值，发生哈希碰撞，但是作者没有在代码层面设计处理这个哈希碰撞，因为在神经网络的训练中，可以让神经网络来处理这个哈希碰撞。
靠梯度来进行哈希表参数的优化。
如果两个点索引到同一个位置发生了冲突，因为n^{3上的立方上的场景中的值是没有意义的，物体表面n}2是有意义的，因此在n^2点位上的梯度是有价值的，在空的点位上的值是没有价值的，这样表面上点的梯度就会站指导地位，把冲突解决掉

也就是表面上的点会更强烈的促进网络的更新
在这里插入图片描述