Las primitivas de gráficos neuronales (NGP) son prometedoras a la hora de permitir una integración perfecta de activos nuevos y antiguos en diferentes aplicaciones. Representan imágenes, formas y datos espaciales y volumétricos vectoriales, lo que ayuda en la síntesis de representación novedosa (NeRF), el modelado generativo, el almacenamiento en caché de luz y muchas otras aplicaciones. Las primitivas que representan datos a través de una red de características que contiene incrustaciones latentes entrenadas, que posteriormente son decodificadas por un perceptrón multicapa (MLP), han tenido un éxito notable.

Investigadores de NVIDIA y la Universidad de Toronto sugieren PNG compacto, un marco de aprendizaje automático que integra la velocidad asociada con las tablas hash y la eficiencia del aprendizaje de índices mediante el uso de este último para la detección de colisiones mediante métodos de sondeo aprendidos. Esta combinación se logra unificando todas las redes de características en un marco común donde actúan como funciones de indexación que se asignan a una tabla de vectores de características.

NGP comprimido fue diseñado específicamente con un enfoque en la distribución de contenido, con el objetivo de reducir los costos de compresión. Su diseño garantiza que la decodificación permanezca en el equipo multibanda de bajo costo y bajo consumo del usuario, lo que permite una degradación fluida en entornos con ancho de banda limitado.

Estas estructuras de datos se pueden combinar de formas innovadoras mediante combinaciones aritméticas básicas de sus índices, lo que da como resultado una compresión sofisticada frente a compensaciones de alta calidad. Matemáticamente, estas combinaciones aritméticas implican mapear diferentes estructuras de datos a subconjuntos de bits dentro de la función de indexación, lo que reduce en gran medida el costo de la indexación aprendida, que aumenta exponencialmente con el número de bits.

Su enfoque hereda las ventajas de velocidad de las tablas hash al tiempo que logra una compresión significativamente mejorada, acercándose a niveles similares a JPEG en la representación de imágenes. Preserva la distinción y no depende de un sistema dedicado de alivio del estrés, como el código de entropía. Compact NGP muestra versatilidad en diferentes tasas de compresión controlables por el usuario y proporciona capacidades de transmisión, lo que permite cargar resultados parciales, especialmente en entornos con ancho de banda limitado.

Evaluaron la compresión NeRF en escenas reales y sintéticas, comparándola con varias técnicas de compresión NeRF contemporáneas que se basan principalmente en TensoRF. Específicamente, utilizaron ondas enmascaradas como una base sólida y actualizada para la escena del mundo real. En ambos escenarios, Compact NGP muestra un rendimiento superior a Instant NGP en términos de equilibrio entre calidad y volumen.

El diseño de Compact NGP está diseñado específicamente para aplicaciones del mundo real donde el alivio de la compresión de acceso aleatorio, el nivel de granularidad y el alto rendimiento desempeñan papeles fundamentales, tanto en las fases de entrenamiento como de inferencia. Por lo tanto, existe el deseo de explorar sus aplicaciones potenciales en diversos campos, como aplicaciones de transmisión en vivo, compresión de texturas de videojuegos, entrenamiento en vivo y muchos otros campos.

Comprobar el papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Tampoco olvides unirte. Tenemos más de 35k ML SubReddit, Más de 41.000 comunidades de Facebook, canal de discordia, LinkedIn abuelaopY Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.

Si te gusta nuestro trabajo, te encantará nuestro boletín.