不苦在电脑上渲染几个小时，这种高精细的3D渲染效果，现在英伟达实时实现了。
各种各样的复杂模式，保持平衡的外观，阴影也很好。
在细节上，他比前辈赢得多（橘色为DeepSDF）
具体是怎么做的
这也是计算机图形中常用的一种隐式曲面表示，基于著名的神经SDF（有向距离场）
但是这项研究不需要大规模的神经网络渲染，渲染效率提高了2-3个数量级。
这也是第一种基于SDF的三维实时渲染方法。
相关论文发表后，引起了众多“谷歌”、“Epic Games”等机构专家学者的关注。
我会仔细看的。
编码是用稀疏八分树进行的
SDF可以表示为f（x，y，z）=d。这是一个表示位置的函数。
渲染时，SDF使用球体跟踪算法沿射线执行距离查询。
另一方面，经典的神经元SDF需要大规模的神经元网络来进行编码，以便用隐式曲面近似复杂的形状，从而增加了球体跟踪算法的成本。
▲图元：一篇论文，twitter@yongyuanxi
为了解决这个问题，英伟达，多伦多大学，麦吉尔大学的研究小组提出了使用稀疏八分树（SVO）对几何形状进行编码。
根据8分树的特征量，可以自适应地适应具有多个单独详细层次（LOD）的形状，通过SDF插值实现连续LOD。这可以使用更小的多层传感来加快渲染速度。
这里比较难的是如何快速地查询八分树。
因此，作为基于GPU的算法，我们提出了在深度排序的SVO快进中有效地进行空间跳跃，实现实时渲染。
它不仅可以更快，而且可以进行更高质量的重建
速度是否加快，渲染效果是否丢失
实验结果表明，与DeepSDF、FFN、SIREN、Neural Implicits等方法相比，尺寸小、推理参数少、性能优良。
从下图可以看出，此方法在细节恢复方面比FFN快得多，比FFN快50倍，与NI相当。
两个更复杂的示例更清楚地说明了这些细节的优点。
但是，此方法不能应用于大场景或非常薄的几何体，也不能将传统方法绘制的几何体变形来制作动画。
关于作者
论文的第一作者是Towaki Takikawa，现在多伦多大学CS博士课程。它还在Hyperscale Graphics Research group（英伟达、工作。
他目前的研究焦点是机器学习驱动的三维几何处理算法。
是传送门
论文地址：https：//arxiv.org/abs/2101.10994
项目地址：https：//nv-tlabs.github.io/nglod/来修改标记元素的显示属性。
-完成-
文章评论