Ken Museth – NVIDIA 技術博客

使用深度學習框架 fVDB 根據真實的 3D 數據構建空間智能

Mon, 29 Jul 2024 07:19:51 +0000

生成式物理 AI 模型可以在物理世界中理解和執行具有精細或粗運動技能的動作。了解和在物理世界的三維空間中導航需要空間智能。要在物理 AI 中實現空間智能，需要將現實世界轉換為模型可以理解的 AI 就緒型虛擬表示，以便模型能夠更好地理解和執行物理世界中的動作。但是，根據真實數據構建空間智能需要能夠處理大規模和高分辨率現實的基礎設施。通常情況下，開發者必須拼湊不同的庫來構建空間智能框架，這種方法通常會導致錯誤和低效，從而限制虛擬環境的范圍。由于沒有統一的框架，在多個數據結構之間復制數據會引入性能瓶頸、規模受限和不必要的工作。為了提供強大、一致的框架，以處理現實規模的物理 AI，NVIDIA 建立了 fVDB，一個為稀疏、大規模和高性能空間智能而設計的深度學習框架。對于從事涉及大規模 3D 數據（例如通常與現實世界的模擬或測量相關的數據）的深度學習應用程序的從業者和研究人員而言，

Source

]]>

利用 NVIDIA NeuralVDB 搶先體驗優化大規模稀疏體積數據

Mon, 09 Jan 2023 02:37:00 +0000

NVIDIA NeuralVDB 的推出建立在過去十年 OpenVDB 開發的基礎上，是開發人員和研究人員在處理極其龐大和復雜的數據集時的游戲規則改變者。的預發布版本 NVIDIA NeuralVDB 為 OpenVDB 帶來 AI 和 GPU 優化，將煙霧、云和其他稀疏體積數據的內存占用量減少 100 倍。通過顯著降低內存需求、加速訓練和實現時間一致性， NeuralVDB 可以為科學和工業用例打開新的可能性。這包括用于支持 AI 的醫學成像、大規模數字孿生模擬等的大量復雜體積數據集。在越來越多的用例中可以找到稀疏的體積數據。醫療、工業、機器人、圖形和其他領域需要前所未有的高分辨率實時模擬。然而，相應的內存需求可能與硬件約束沖突。 NeuralVDB 通過以小到可以忽略的質量損失為代價提供令人難以置信的高效內存表示來解決這一問題，從而以極高的分辨率實現體積應用。

Source

]]>

使用 NanoVDB 在 GPU上加速 OpenVDB

Thu, 20 Aug 2020 03:14:00 +0000

開放式 VDB 是奧斯卡獎獲獎的稀疏動態卷的行業標準庫。在整個視覺效果行業中，它被用于模擬和渲染水、火、煙、云和大量其他依賴于稀疏體積數據的效果。該庫包括一個分層的、動態的數據結構和一套工具，用于高效地存儲和操作三維網格上離散的稀疏體數據。庫由學院軟件基金會（ ASWF ）維護。有關詳細信息，請參見 VDB ：具有動態拓撲的高分辨率稀疏卷。盡管 OpenVDB 提供了性能優勢，但它的設計并沒有考慮到 GPUs 。它對幾個外部庫的依賴使得利用 GPUs 上的 VDB 數據變得很麻煩，這正是本文主題的動機。我們將向您介紹 NanoVDB 庫，并提供一些如何在光線跟蹤和碰撞檢測上下文中使用它的示例。最初在 NVIDIA 開發的 NanoVDB 庫是一個 ASWF OpenVDB 項目的新增功能。

Source

]]>