本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

 “這太瘋狂了！”

“18個月前，訓練NeRF需要5小時…”

“2個月前，訓練NeRF需要是5分鐘！”

“現在，訓練NeRF需要5秒！！？？”

究竟發生了什么？竟讓谷歌研究科學家驚嘆至此。

（插播一下此前風靡的NeRF模型：伯克利&谷歌聯合打造，少數靜態圖生成3D逼真效果）

而且類似的評價還有很多~

介紹這項技術的博文也熱度非常，不到一天時間就收獲了上千贊。

原來，這是來自于英偉達的最新技術——基于多分辨率哈希編碼的即時神經圖形基元。

一只狐貍NeRF模型的只需要訓練5秒鐘！

而且不光訓練NeRF，該技術還在其他任務上也達到了驚人的訓練速度。

實現了幾個數量級的組合加速。

能夠在幾秒鐘內訓練高質量的神經圖形基元，并在幾十毫秒內渲染分辨率1920x1080的圖形。

單個GPU上實現多任務即時訓練

先來看效果。

有沒有種在實驗室的眩暈感，這是來自iPhone視頻訓練5分鐘的360度實時渲染效果~

還有想以34張真實照片重構的3D圖像~

除了NeRF之外嗎，還有三個神經圖形基元的實現。

Gigapixel Image

作者還友情提示，網絡是從頭開始訓練的，如果眨眼的話，可能會錯過它。

以全連接網絡為參數的神經圖形基元，訓練和評估成本較高。

本文使用了一種多功能的新輸入編碼來降低成本。

這種編碼允許在不犧牲質量的情況下使用更小的網絡，從而大大減少浮點數和內存訪問數量。

具體而言，一個小型神經網絡通過可訓練特征向量的多分辨率哈希表進行擴充。這些特征向量的值通過隨機梯度下降優化。

換句話說，這種編碼與任務無關。

研究團隊表示，他們在所有任務中都使用相同的案例和超參數，只改變了哈希表的大小。

目前該項目已開源，感興趣的旁友可戳下方鏈接~

GitHub鏈接：
https://github.com/NVlabs/instant-ngp
論文鏈接：
https://nvlabs.github.io/instant-ngp/assets/mueller2022instant.pdf
項目鏈接：
https://nvlabs.github.io/instant-ngp/