周牧抬头，推了推眼镜：“姜宇？你也选这门课？”

        “嗯。”姜宇看了眼他的屏幕，“在优化光子映射的内存结构？”

        “对。”周牧眼睛亮了，“我发现传统的光子图存储方式太浪费，80%的光子最终不会对最终图像产生显著贡献。我想用重要性采样和自适应存储...”

        他又开始滔滔不绝。

        姜宇耐心听了五分钟，然后开口：“为什么不试试用机器学习预测光子重要性？”

        周牧愣住。

        “2005年，机器学习在图形学中的应用几乎是空白。”

        姜宇继续说，“已经有论文开始探索用神经网络做降噪、超分辨率。如果我们训练一个网络，输入场景的几何、材质、光源信息，输出每个光子对最终图像的贡献权重...提前剔除低权重的光子，存储开销可以降低70%以上。”

        “这...”周牧盯着他，像在看外星人，“这需要大量的训练数据和计算资源。而且，实时性怎么保证？神经网络推理也需要时间...”

        “预训练+轻量化模型。”姜宇说得很快，“用离线渲染的大量场景做训练，得到一个通用模型。部署时用简化的网络结构，配合GPU加速。2005年的GeForbsp;7800 GTX已经有可编程着色器单元，可以做简单的矩阵运算。”

  The content is not finished, continue reading on the next page