목차
소프트웨어 레이 트레이싱 - 높이 필드
위치 캡처
장면 표현 병합
첫 번째 데모
에필로그
기술 주변기기 일체 포함 초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

Apr 08, 2023 pm 10:21 PM
기술 엔진

실시간 글로벌 일루미네이션(실시간 GI)은 항상 컴퓨터 그래픽의 성배였습니다.

수년에 걸쳐 업계에서도 이 문제를 해결하기 위한 다양한 방법을 제안해 왔습니다.

일반적으로 사용되는 방법 패키지는 정적 기하학, 대략적인 장면 표현 또는 대략적인 프로브 추적, 둘 사이의 조명 보간과 같은 특정 가정을 활용하여 문제 영역을 제한합니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

Unreal Engine에서 전역 조명 및 반사 시스템인 Lumen 기술은 Krzysztof Narkowicz와 Daniel Wright가 설립했습니다.

기존 솔루션과 차별화된, 통일된 조명과 베이킹에 가까운 조명 품질을 구현할 수 있는 솔루션을 구축하는 것이 목표입니다.

최근 SIGGRAPH 2022에서 Krzysztof Narkowicz와 팀은 Lumen 기술 구축 여정에 대해 이야기했습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

소프트웨어 레이 트레이싱 - 높이 필드

현재 하드웨어 레이 트레이싱에는 강력한 GPU 컴퓨팅 성능 지원이 부족합니다. 하드웨어 레이 트레이싱이 얼마나 빠른지, 심지어 차세대 콘솔이 이를 지원할지조차 알 수 없습니다.

따라서 소프트웨어 광선 추적 방법이 사용됩니다. 중복되는 인스턴스가 많은 장면을 확장하거나 지원하는 데 정말 유용한 도구인 것으로 나타났습니다.

소프트웨어 광선 추적은 삼각형, 거리 필드, 서핑 또는 높이 필드와 같은 다양한 추적 구조를 사용할 수 있는 가능성을 제공합니다.

여기에서 Krzysztof Narkowicz는 삼각형 연구를 포기하고 서핑을 간략하게 연구하지만, 표현하기 위해 상당히 높은 밀도가 필요한 형상의 경우 업데이트하거나 서핑을 추적하는 데 비용이 많이 듭니다.

초기 탐색 후 하이트 필드는 하드웨어에 잘 매핑되고 표면 표현과 간단한 연속 LOD를 제공하므로 가장 적합했습니다.

min-max 쿼드트리 등 모든 POM 알고리즘을 사용할 수 있기 때문에 추적 속도가 매우 빠릅니다.

또한 다중 하이트 필드는 래스터화된 경계 볼륨 계층 구조와 유사하게 복잡한 형상을 나타낼 수 있습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

서펠의 가속 구조로 생각하는 것도 매우 흥미롭습니다. 단일 텍셀은 규칙적인 그리드에 의해 제한된 서펠입니다.

루멘에는 높이 필드 외에도 알베도나 조명과 같은 다른 속성도 있으므로 매번 조명을 계산할 수 있습니다.

Lumen에서 개발자는 캡처 위치인 표면 데이터 카드가 포함된 이 완전한 데칼 프로젝션의 이름을 지정했습니다. ㅋㅋㅋ 따라서 카드 가속 구조가 필요하며 개발자는 4노드 BVH를 선택했습니다. 모든 프레임이 CPU에 있고 GPU에 업로드되는 완전한 장면을 위해 제작되었습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.그런 다음 트레이스 셰이더에서 스택 기반 순회를 수행하고 가장 가까운 노드가 먼저 순회되도록 노드의 순서를 동적으로 지정합니다.

BVH 디버그 보기

위치 캡처

여기에서 가장 까다로운 부분은 전체 메시를 캡처하도록 높이 필드를 배치하는 방법입니다. Krzysztof Narkowicz는 "아이디어 중 하나는 GPU를 기반으로 한 전역 거리장입니다. 매 프레임마다 작은 기본 광선 세트를 추적하여 카드에 포함되지 않은 광선을 찾습니다.

다음으로, 발견되지 않은 각 광선에 대해 , 최적의 카드 방향과 범위를 결정하기 위해 표면 그라데이션을 사용하여 전역 거리 필드를 통과하여 새 카드를 만듭니다

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

전역 거리 필드의 캡처 위치

On the 한편으로는 각 메시에 대해 카드를 생성할 필요 없이 전체 병합된 장면에 대해 카드를 생성하는 것으로 입증되었습니다. 반면에 카메라가 움직일 때마다 다른 결과가 생성되므로 실제로는 매우 까다로운 것으로 나타났습니다. 아이디어는 각 메시의 카드를 메시로 가져오는 것입니다. 여기서 각 노드는 다음과 같이 N 카드

로 변환됩니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.Rasterized Triangles

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.Ray Step Card (High Field)

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.Card Position View

이 방법은 BVH 노드가 배치를 위한 좋은 프록시가 아니기 때문에 좋은 위치를 찾는 데 어려움을 겪습니다. 카드

그런 다음 연구원들은 UV 전개 기술을 따르고 표면 요소를 클러스터링하는 또 다른 아이디어를 생각해 냈습니다.

Nanite에서 제공한 수백만 개의 다각형을 다루었기 때문에 삼각형을 서핑으로 바꿨습니다

동시에 표면을 더 잘 일치시키기 위해 덜 제한적인 무료 가이드 카드로 전환했습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.자유로운 가이드 카드 위치

이 방법은 효과가 있습니다. 단순한 모양에는 적합하지만 더 복잡한 모양으로 수렴하는 데 문제가 있습니다.

Narkowicz는 마지막으로 축 정렬 카드로 다시 전환했지만 이번에는 bin 클러스터 및 메시별

원추 추적

고유한 속성

원추 추적은 사전 필터링된 단일 원뿔 추적이 수천 개의 개별 광선을 나타내기 때문에 노이즈를 줄이는 데 매우 효과적입니다.

콘 추적

.

각 카드에 대해 개발자는 표면 높이, 조명 및 재료 속성이 포함된 완전한 사전 필터링된 밉맵 체인도 저장합니다.

트레이싱 시 원뿔 발자국을 기준으로 적절한 스테핑 광선을 선택하고 이에 대해 레이 트레이싱을 수행합니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

고착된 가장자리가 있거나 없는 추적

장면 표현 병합

소프트웨어에서 많은 수의 일관되지 않은 광선을 추적하는 것은 매우 느립니다. 이상적으로는 여러 하이트 필드 대신 단일 전역 구조가 사용됩니다.

원뿔 크기가 점점 커지면 정확한 장면 표현이 실제로 필요하지 않으며 더 빠른 속도를 위해 보다 대략적인 표현으로 대체할 수 있습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

각 광선을 추적하기 위한 수십 개의 카드가 있는 더 복잡한 장면

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

첫 번째 성공적인 접근 방식은 순수 복셀 원뿔 추적을 구현하는 것이었고 런타임 시 전체 장면은 복셀화되었습니다. 고전적인 "복셀 원뿔 추적을 사용한 대화형 간접 조명" 기사.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

Rasterized Triangles

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

Ray Step Card(Height Field)

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

Voxel Con e Tracking

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

레이 스테핑 카드는 복셀 콘 추적을 계속합니다

이 방법의 가장 큰 단점은 장면 형상의 과도한 혼합으로 인해 누출이 발생한다는 것입니다. 이는 두꺼운 낮은 맵을 추적할 때 특히 두드러집니다.

이미지 누출을 줄이는 첫 번째 기술은 전역 거리 필드를 추적하고 표면에 가까운 복셀만 샘플링하는 것입니다. 샘플링 과정에서 샘플링 범위가 확장됨에 따라 불투명도가 누적되며, 추적이 중지되면 불투명도가 1에 도달합니다. 이는 항상 형상 근처에서 정확한 샘플링을 수행하여 그래픽 누출을 줄입니다.

두 번째 기술은 메쉬 내부를 복셀화하는 것입니다. 이렇게 하면 두꺼운 벽에서 누출이 크게 줄어들지만 과도한 폐색이 발생할 수도 있습니다.

기타 실험에는 희소 복셀 비트 패치 및 얼굴 투명도 채널당 복셀 추적이 포함됩니다. 두 실험의 목적은 광선 방향 복셀 보간 문제를 해결하는 것입니다. 즉, 축 정렬된 견고한 벽은 벽에 수직이 아닌 광선에 대해 투명해집니다.

복셀 비트 타일은 8x8x8 타일의 복셀당 1비트를 저장하여 주어진 복셀이 비어 있는지 여부를 나타냅니다. 그런 다음 2단계 DDA 알고리즘이 광선 스테핑에 사용됩니다. 투명한 표면을 가진 복셀은 유사하지만 DDA가 동일하고 광선 방향을 따라 투명도가 증가합니다. 두 방법 모두 거리 영역만큼 기하학을 표현하는 데 능숙하지 않고 속도도 매우 느린 것으로 나타났습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

투명도가 있는 복셀

병합된 표현을 추적하는 가장 빠른 방법은 글로벌 거리 필드의 원뿔 추적과 장면별 글로벌 카드를 사용하여 음영 히트를 수행하는 것이었습니다. 즉, BVH를 반복하여 장면의 어떤 카드가 샘플링 지점에 영향을 미치는지 확인한 다음 점점 가늘어지는 공간을 기반으로 각 카드의 적당한 슬라이딩 레벨을 샘플링합니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

이 기사에서는 원거리 궤적만을 표현하는 것으로 간주되지 않고 고자장 라이트 스테핑을 직접 대체하는 것으로 간주되어 이 방법을 포기했습니다. 다소 아이러니하게도 이러한 버려진 접근 방식은 2년 후 우리가 궁극적으로 도달한 솔루션에 가장 근접했습니다.

첫 번째 데모

이 시점에서 이미 꽤 좋은 결과를 얻을 수 있습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

그래도 그래픽 누출 문제가 많이 발생했고 이 간단한 장면에서도 고급 PC GPU에서는 성능이 그다지 좋지 않습니다.

PS5에서 더 많은 인스턴스를 처리하고 8ms 이내에 처리를 완료하기 위해 누출 문제를 해결합니다. 이 데모는 진정한 촉매제였습니다.

이전 솔루션과 비교했을 때 첫 번째이자 가장 큰 변화는 높이 필드 추적을 거리 필드 추적으로 대체한 것입니다.

라이프 포인트를 마스킹하려면 카드에서 라이프 포인트 광선을 삽입하세요. 거리 필드에는 정점 속성이 없기 때문에 이렇게 하면 노출되지 않은 영역은 누출이 아닌 에너지 손실만 발생하게 됩니다.

같은 이유로 복셀 콘 추적을 전역 거리 필드 광선 추적으로 변경했습니다.

동시에 우리는 캐싱 솔루션을 통해 Lumen의 다양한 부분을 최적화하고 시간을 오프로드했습니다. 원뿔 추적이 없으면 추적을 보다 적극적으로 노이즈 제거 및 캐시해야 한다는 점은 주목할 가치가 있지만, 이는 다시 길고 복잡한 이야기입니다.

이것은 전역 거리 필드와 같은 모든 공유 데이터 구조에 대한 업데이트를 포함하여 PS5에서 지속적으로 8ms 미만인 첫 번째 데모를 보낸 후의 최종 결과입니다. 예를 들어 최신 데모의 완료 시간은 4밀리초에 가깝고 품질도 크게 향상되었습니다.

초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.

에필로그

요컨대 이 글은 루멘 전체를 완전히 다시 쓴 글이며, 구현되지 않은 다양한 아이디어가 많이 있습니다. 반면에 어떤 것들은 용도가 변경되었습니다. 원래는 추적 표현으로 카드를 사용했지만 이제는 메시 표면에서 다양한 계산을 캐시하는 방법으로 사용됩니다. 소프트웨어 추적과 유사하게 원뿔 추적을 중심으로 하는 주요 추적 방법으로 시작했지만 결국에는 겹치는 인스턴스가 많은 복잡하고 무거운 장면을 축소하고 지원하는 방법이 되었습니다.

위 내용은 초현실적인 렌더링! 언리얼 엔진 기술 전문가가 전역 조명 시스템 Lumen에 대해 설명합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

인기 기사

R.E.P.O. 에너지 결정과 그들이하는 일 (노란색 크리스탈)
1 몇 달 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 최고의 그래픽 설정
1 몇 달 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 아무도들을 수없는 경우 오디오를 수정하는 방법
1 몇 달 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 채팅 명령 및 사용 방법
1 몇 달 전 By 尊渡假赌尊渡假赌尊渡假赌

뜨거운 도구

메모장++7.3.1

메모장++7.3.1

사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전

SublimeText3 중국어 버전

중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기

스튜디오 13.0.1 보내기

강력한 PHP 통합 개발 환경

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

Stable Diffusion 3 논문이 드디어 공개되고, 아키텍처의 세부 사항이 공개되어 Sora를 재현하는 데 도움이 될까요? Stable Diffusion 3 논문이 드디어 공개되고, 아키텍처의 세부 사항이 공개되어 Sora를 재현하는 데 도움이 될까요? Mar 06, 2024 pm 05:34 PM

StableDiffusion3의 논문이 드디어 나왔습니다! 이 모델은 2주 전에 출시되었으며 Sora와 동일한 DiT(DiffusionTransformer) 아키텍처를 사용합니다. 출시되자마자 큰 화제를 불러일으켰습니다. 이전 버전과 비교하여 StableDiffusion3에서 생성된 이미지의 품질이 크게 향상되었습니다. 이제 다중 테마 프롬프트를 지원하고 텍스트 쓰기 효과도 향상되었으며 더 이상 잘못된 문자가 표시되지 않습니다. StabilityAI는 StableDiffusion3이 800M에서 8B 범위의 매개변수 크기를 가진 일련의 모델임을 지적했습니다. 이 매개변수 범위는 모델이 많은 휴대용 장치에서 직접 실행될 수 있어 AI 사용이 크게 줄어든다는 것을 의미합니다.

좌표계 변환을 실제로 마스터하셨나요? 자율주행에 필수불가결한 멀티센서 이슈 좌표계 변환을 실제로 마스터하셨나요? 자율주행에 필수불가결한 멀티센서 이슈 Oct 12, 2023 am 11:21 AM

첫 번째 파일럿 및 주요 기사에서는 주로 자율 주행 기술에서 일반적으로 사용되는 여러 좌표계를 소개하고 이들 간의 상관 관계 및 변환을 완료하고 최종적으로 통합 환경 모델을 구축하는 방법을 소개합니다. 여기서 초점은 차량에서 카메라 강체로의 변환(외부 매개변수), 카메라에서 이미지로의 변환(내부 매개변수), 이미지에서 픽셀 단위로의 변환을 이해하는 것입니다. 3D에서 2D로의 변환에는 해당 왜곡, 변환 등이 포함됩니다. 요점: 차량 좌표계와 카메라 본체 좌표계를 다시 작성해야 합니다. 평면 좌표계와 픽셀 좌표계 난이도: 이미지 평면에서 왜곡 제거와 왜곡 추가를 모두 고려해야 합니다. 2. 소개 좌표계에는 픽셀 평면 좌표계(u, v), 이미지 좌표계(x, y), 카메라 좌표계(), 월드 좌표계() 등 총 4가지 비전 시스템이 있습니다. 각 좌표계 사이에는 관계가 있으며,

자율주행과 궤도예측에 관한 글은 이 글이면 충분합니다! 자율주행과 궤도예측에 관한 글은 이 글이면 충분합니다! Feb 28, 2024 pm 07:20 PM

자율주행 궤적 예측은 차량의 주행 과정에서 발생하는 다양한 데이터를 분석하여 차량의 향후 주행 궤적을 예측하는 것을 의미합니다. 자율주행의 핵심 모듈인 궤도 예측의 품질은 후속 계획 제어에 매우 중요합니다. 궤적 예측 작업은 풍부한 기술 스택을 보유하고 있으며 자율 주행 동적/정적 인식, 고정밀 지도, 차선, 신경망 아키텍처(CNN&GNN&Transformer) 기술 등에 대한 익숙함이 필요합니다. 시작하기가 매우 어렵습니다! 많은 팬들은 가능한 한 빨리 궤도 예측을 시작하여 함정을 피하기를 희망합니다. 오늘은 궤도 예측을 위한 몇 가지 일반적인 문제와 입문 학습 방법을 살펴보겠습니다. 관련 지식 입문 1. 미리보기 논문이 순서대로 되어 있나요? A: 먼저 설문조사를 보세요, p

DualBEV: BEVFormer 및 BEVDet4D를 크게 능가하는 책을 펼치세요! DualBEV: BEVFormer 및 BEVDet4D를 크게 능가하는 책을 펼치세요! Mar 21, 2024 pm 05:21 PM

본 논문에서는 자율 주행에서 다양한 시야각(예: 원근 및 조감도)에서 객체를 정확하게 감지하는 문제, 특히 원근(PV) 공간에서 조감(BEV) 공간으로 기능을 효과적으로 변환하는 방법을 탐구합니다. VT(Visual Transformation) 모듈을 통해 구현됩니다. 기존 방법은 크게 2D에서 3D로, 3D에서 2D로 변환하는 두 가지 전략으로 나뉩니다. 2D에서 3D로의 방법은 깊이 확률을 예측하여 조밀한 2D 특징을 개선하지만, 특히 먼 영역에서는 깊이 예측의 본질적인 불확실성으로 인해 부정확성이 발생할 수 있습니다. 3D에서 2D로의 방법은 일반적으로 3D 쿼리를 사용하여 2D 기능을 샘플링하고 Transformer를 통해 3D와 2D 기능 간의 대응에 대한 주의 가중치를 학습하므로 계산 및 배포 시간이 늘어납니다.

최초의 멀티뷰 자율주행 장면 영상 생성 세계 모델 DrivingDiffusion: BEV 데이터 및 시뮬레이션을 위한 새로운 아이디어 | 최초의 멀티뷰 자율주행 장면 영상 생성 세계 모델 DrivingDiffusion: BEV 데이터 및 시뮬레이션을 위한 새로운 아이디어 | Oct 23, 2023 am 11:13 AM

저자 개인 생각 중 일부 자율주행 분야에서는 BEV 기반의 하위 작업/End-to-End 솔루션 개발로 인해 고품질의 다시점 훈련 데이터와 그에 따른 시뮬레이션 장면 구축이 점점 더 중요해지고 있습니다. 현재 작업의 문제점에 대응하여 "고품질"은 세 가지 측면으로 분리될 수 있습니다. 다양한 차원의 롱테일 시나리오(예: 장애물 데이터의 근거리 차량 및 자동차 절단 과정의 정확한 방향 각도) 곡률이 다른 곡선이나 경사로/병합/병합 등 캡처하기 어려운 차선 데이터. 이는 종종 비용이 많이 드는 대량의 데이터 수집과 복잡한 데이터 마이닝 전략에 의존합니다. 3D 진정한 가치 - 매우 일관된 이미지: 현재 BEV 데이터 수집은 센서 설치/보정, 고정밀 지도 및 재구성 알고리즘 자체의 오류에 의해 영향을 받는 경우가 많습니다. 이것이 나를 이끌었다

GSLAM | 일반적인 SLAM 아키텍처 및 벤치마크 GSLAM | 일반적인 SLAM 아키텍처 및 벤치마크 Oct 20, 2023 am 11:37 AM

갑자기 발견한 19년 된 논문 GSLAM: A General SLAM Framework and Benchmark 오픈소스 코드: https://github.com/zdzhaoyong/GSLAM 전문으로 직접 가서 이 작품의 퀄리티를 느껴보세요~1 Abstract SLAM technology 최근 많은 성공을 거두었으며 많은 첨단 기술 기업의 관심을 끌었습니다. 그러나 기존 또는 신흥 알고리즘에 대한 인터페이스를 사용하여 속도, 견고성 및 이식성에 대한 벤치마크를 효과적으로 수행하는 방법은 여전히 ​​문제로 남아 있습니다. 본 논문에서는 평가 기능을 제공할 뿐만 아니라 연구자에게 자체 SLAM 시스템을 신속하게 개발할 수 있는 유용한 방법을 제공하는 GSLAM이라는 새로운 SLAM 플랫폼을 제안합니다.

'마인크래프트'가 AI 마을로 변신, NPC 주민들이 실제 사람처럼 역할극 '마인크래프트'가 AI 마을로 변신, NPC 주민들이 실제 사람처럼 역할극 Jan 02, 2024 pm 06:25 PM

이 네모난 남자는 눈앞에 있는 '불청객'의 정체를 고민하며 미간을 찌푸리고 있다는 점에 주목해주세요. 알고 보니 그녀는 위험한 상황에 처해 있었고, 이를 깨닫자마자 문제를 해결하기 위한 전략을 찾기 위해 재빨리 정신적 탐색을 시작했습니다. 결국 그녀는 현장을 떠나 가능한 한 빨리 도움을 구하고 즉각적인 조치를 취하기로 결정했습니다. 동시에 반대편에 있는 사람도 그녀와 같은 생각을 하고 있었는데... <마인크래프트>에도 모든 캐릭터가 인공지능에 의해 조종되는 장면이 있었다. 예를 들어 앞서 언급한 소녀는 17세지만 똑똑하고 용감한 택배기사입니다. 그들은 마인크래프트를 배경으로 한 이 작은 마을에서 인간처럼 기억하고 생각하며 살아갈 수 있는 능력을 가지고 있습니다. 그들을 움직이는 것은 아주 새로운 것입니다.

검토! 심층 모델 융합(LLM/기본 모델/연합 학습/미세 조정 등) 검토! 심층 모델 융합(LLM/기본 모델/연합 학습/미세 조정 등) Apr 18, 2024 pm 09:43 PM

9월 23일, 국립방위기술대학교, JD.com 및 베이징 공과대학이 "DeepModelFusion:ASurvey"라는 논문을 발표했습니다. 딥 모델 융합/병합은 여러 딥 러닝 모델의 매개변수나 예측을 단일 모델로 결합하는 새로운 기술입니다. 이는 더 나은 성능을 위해 개별 모델의 편향과 오류를 보상하기 위해 다양한 모델의 기능을 결합합니다. 대규모 딥 러닝 모델(예: LLM 및 기본 모델)에 대한 딥 모델 융합은 높은 계산 비용, 고차원 매개변수 공간, 서로 다른 이종 모델 간의 간섭 등을 포함한 몇 가지 문제에 직면합니다. 이 기사에서는 기존 심층 모델 융합 방법을 네 가지 범주로 나눕니다. (1) 더 나은 초기 모델 융합을 얻기 위해 손실 감소 경로를 통해 가중치 공간의 솔루션을 연결하는 "패턴 연결"

See all articles