И да понятно почему она теперь быстро исполняется+быстро обучается

Но безумно удивительно что стольки весов  хватает чтобы описать редианс филд

мне кажется это главный график оттуда

чотам? просит зарегаться

Очень маленьная нейронка обучается в реальном времени (1 мс на 3090) во время трассировки лучей то сколько света и откуда отражается, и так каждый кадр. И это позволяет исполнить нейронку с параметрами - позиция+направление, чтобы узнать сколько света прийдет по такому запросу - тоже быстро, 1мс на full hd экран. А в свою очередь, пока это позволяяет к примеру не заниматься расчетом рассеивания света для 2-3 отражения, а тупо запускать нейронку. В будущем очевидна что эта штука будет использоваться и для паф гайдинга.

да кому этот фпс нужен

Как итог пока увеличения фпс общего рендера в сценах с GI + уменьшения шума значительного

если я зарегаюсь я смогу посмотреть статью? очень интересно что идет на вход данных нейронки. результаты трассировки жеж очень нелпнейны из-за отражений и границ и нейронки не работают с нелинейными данными

нейронки как раз работают с нелинейными данными) иначе нас бы устраивала линейная регрессия

да сможешь глянуть если зарегаешься

но про вход мало сказано, так как это не суть доклада. Но он сослаться на свои прошлые статьи, и там очень умная штука идет. one-normal-encoding по 7 параметрам (позиция, вектор Li, вектор Lo).

пардон, недифференцируемые функции (границы и отражения). с ними нейронки не работают

спокойно у меня справляются)

и с виду у него тоже

а

ты про то чтобы обучаться на недиффируемых функциях - да с этим проблема

но тут это все не нужно

Нейронка ничего не знает о сцене, материалах и прочим

нейронка в каком пространстве работает?

сам экран? (типа сглаживания?)

или что-то с лучами и пересечениями\ отражениями?

Нейронка работает в пространстве сцены, по сути обучается и вызывается при каждом вызове расчета отражения от какой-то поверхности.