Microsoft'un baş araştırmacısı Tong Xin: Derin öğrenme, bilgisayar grafiklerini tarayacak ve VR / AR patlaması yaklaşıyor
Xinzhiyuan Orijinal
Dr. Tong Xin
1993 yılında Zhejiang Üniversitesi Bilgisayar Bölümü'nden mühendislik lisans derecesi ile mezun oldu; 1996 yılında Zhejiang Üniversitesi'nden bilgisayar bilimi alanında yüksek lisans derecesi aldı; 1999'da Tsinghua Üniversitesi'nden bilgisayar bilimi alanında doktora derecesi aldı ve aynı yıl Microsoft Research Asia'ya katıldı. Şu anda, Microsoft Research Asia Ağ Grafikleri Grubunun baş araştırmacısı, esas olarak bilgisayar grafikleri araştırmalarıyla ilgileniyor.
Tong Xin'in yaklaşık 20 yıldır Microsoft'taki grafikleri nedir? Bilgisayarla görü ile ne alakası var? YZ'nin geliştirilmesinde nasıl bir rol oynayacak? Xin Zhiyuan, yakın zamanda Tong Xin ile röportaj yaptı. Ağ grafiğindeki son gelişmeleri ve derin öğrenmenin bu alana getirdiği değişiklikleri bizimle paylaştı.
Tong Xin, doktora derecesi ile mezun olduğundan beri, Microsoft Research Asia'da 18 yıldır araştırma yapıyor. Microsoft Research Asia, Çin'in AI alanında hak edilmiş bir "Whampoa Askeri Akademisi" dir ve şu anda endüstride temel bir rol oynayan çok sayıda omurga kuvveti geliştirmiştir. Yapay zekanın hızlı gelişimi dalgasında, birçok insan buraya gelir ve gider Tong Xin, mezuniyetten beri Microsoft'ta kaldı ve gerçek bir "gazi" haline geldi. Enstitü içinde insanlar ona sevgiyle "Tongmao" diyorlar.
Tong Xin neden her zaman Microsoft'ta kalmayı seçtiğine gelince: "Burada, sevdiğimiz grafik araştırmalarını yapacak bu kadar mükemmel insanlardan oluşan bir grup olduğuna şüphe yok. Bu, Çin'deki grafik araştırmaları için en rahat ve açık ortamı yarattı. Bunlar beni Microsoft Research Asia'da çalışmaya çeken cazibelerdi. "
Havalandırmada duran domuzların hepsi uçuyor, neden yapmadım?
Tong Xin: "Havalandırmada durursan, domuz olsan bile uçabileceğine dair söylentiler var. Ama ben çok zayıf bir insanım, bu kadar uzun süredir ayakta, neden uçmadım? Sorun nedir? "
İnternet grafikleri tam olarak nedir?
Xinzhiyuan ile bir röportajda Tong Xin, sözde ağ grafiklerinin veya İnternet grafiklerinin esasen grafik olduğunu söyledi, ancak geleneksel grafiklerden bazı farklılıklar olduğunu umuyoruz.
Geleneksel grafikler 1960'larda ortaya çıktı. On yıllarca süren geliştirmeden sonra, geleneksel grafikler endüstri ve eğlence endüstrilerinde yaygın olarak kullanıldı ve sanayileşmesi çok olgunlaştı:
-
Bilgisayar destekli tasarım ve imalat. Çevremizdeki günlük nesneler kadar küçük, uçaklar ve otomobiller kadar büyük olan bilgisayar destekli tasarım ve imalat, endüstriyel üretim ve imalatta yaygın olarak kullanılmış ve grafikten nispeten bağımsız bir dal oluşturmuştur.
-
Oyunlarda ve filmlerde grafiksel özel efektler. Tamamen bilgisayar tarafından oluşturulan çizgi filmlerden, cep telefonlarında ve oyun konsollarında oynanan oyunlara kadar, grafiklerde birçok araştırma sonucu vardır.
-
Bilimsel hesaplama görselleştirme ve bilgi görselleştirme. Grafiksel temsil yoluyla, soyut verilerin nitelikleri görüntülenir, böylece herkes verileri hızlı ve doğru bir şekilde anlayabilir ve kararlar verebilir. Bu, yalnızca bilimsel hesaplama ve tıbbi uygulamalar için görselleştirme teknolojilerini değil, aynı zamanda son yıllarda ortaya çıkan bilgi görselleştirme ve görsel analiz teknolojilerini de içerir.
Bu olgun sanayileşmeler, onlarca yıldır grafik araştırmalarının gelişimini ve refahını destekledi. Ancak geleneksel grafiklerde, tüm grafik içeriğinin üretim modunun baştan beri tutarlı olduğunu, yani yüksek kaliteli içeriğin uzmanlar tarafından yapıldığını ve tüketim için sıradan kullanıcılara dağıtıldığını göreceğiz. İnternetin gelişmesiyle, grafiklerin sadece bundan fayda sağlamadığını, aynı zamanda geliştirme darboğazlarıyla karşılaştığını gördük. Ardından, grafik içerik üretiminde herkesin ve her yerin sorununu çözmeyi umarak ağ grafikleri öneriyoruz. Yani grafiklerin İnternette çevrimiçi olarak akmasına izin vermek, böylece herkes (herkes) herhangi bir yerde (her yerde) kolayca görsel medya içeriği oluşturabilir. Sadece yaratmakla kalmaz, aynı zamanda bunları kolayca paylaşabilir ve tadını çıkarabilirsiniz.
Bilgisayar grafikleri ve bilgisayar görüşü bir çift "iyi arkadaştır"
Peki grafikler ve popüler bilgisayar vizyonu arasındaki ilişki nedir?
Tong Xin Xinzhiyuan'a basit bir şekilde grafik ve vizyonun iki zıt süreç olduğunu söyledi.Grafikler, ışıklandırma, malzemeler, dinamik bilgiler vb. Gibi üç boyutlu tüm sahneleri vermek içindir, biz görüntüler oluşturmaya veya video. Ve vizyon, görüntüler ve videolar verildiğinde, bilgisayarın içindeki üç boyutlu sahnenin tüm bilgilerini kurtarması ve sahnenin anlamını daha iyi anlamasıdır.
Ancak grafiklerin vizyondan daha basit olduğunu veya ikisinin tam tersi olduğunu düşünmek yanlıştır, çünkü bu iki disiplin aslında aynı madalyonun iki yüzüdür.Bunların özü, gerçek dünyanın fiziksel yasaları ve insan anlayışı ve yaratma sürecidir. Bilgisayar görüşü ve bilgisayar grafikleri arasındaki sınır o kadar net değil. İkisi, üç boyutlu yeniden yapılandırma, malzeme modelleme, insan dinamik yakalama ve yeniden yapılandırma, hesaplamalı fotoğrafçılık vb.Gibi örtüşen araştırma alanlarının büyük bir bölümüne sahiptir. Örtüşmeyen alanlar birbirlerinden öğrenebilir ki bu da "bir çift iyi arkadaş" olarak tanımlanabilir.
Örneğin, bir görüntü gördüğümüzde, grafikler size temelde yatan fiziksel görüntüleme ilkesini, sahnedeki şeklin ve malzemenin özelliklerini ve kamera görüntülemede bazı işleme adımlarını söyleyebilir ve ardından insanlar görüntüyü anlamak için bir algoritma tasarladığında Aynı zamanda, bu fiziksel yasalar ve özellikler, daha etkili bir görme algoritması elde etmek için görüntüye önceden uygun varsayımlar ve koşullar eklemenize yardımcı olabilir. Öte yandan, vizyon aynı zamanda harika bir ilham kaynağıdır ve grafik araştırmalarına yardımcı olur. Gerçekçi grafikler oluşturmak ve gerçekçi 3B sahneler oluşturmak için içeriğimiz nereden geliyor? Bu, vizyondaki birçok teknolojinin yardımını gerektirir. Tong Xin şunları söyledi: "Örneğin, bir Kola kutusu yaparsam, 3D yeniden yapılandırma yapmak için bir kamera çekebilirim veya bu Kola kutusunun resimlerini doğrudan farklı perspektiflerde ve farklı aydınlatma altında birçok fotoğraf çekerek yeniden üretebilirim."
Derin öğrenme henüz bilgisayar grafiklerini taramadı, ancak model yakında bozulacak
Makine öğrenimi ve bilgisayar grafikleri arasındaki ilişkiden bahseden Tong Xin şunları söylüyor: "Grafikler her zaman açık bir alan olmuştur. Birçok kişi makine öğrenimi teknolojisini grafiklerde kullanıp kullanmadığımızı merak ediyor. Aslında bunu uzun süredir ama grafiklerde kullandık. Araştırmamızda, bu tür bir yönteme veriye dayalı diyoruz. Veriye dayalı, grafiklerde uzun bir geçmişe sahip ve elbette artık derin öğrenmeyi içeriyor. "
Derin öğrenmenin hemen hemen her dalına nüfuz eden bilgisayar vizyonunun aksine, derin öğrenme henüz Bilgisayar Grafiklerinin tüm alanlarını taramamış görünüyor. Bu bağlamda, Tong Xin bunun birkaç nedeni olduğuna inanıyor. Bir yandan, grafiklerde kullanılan üç boyutlu ifadeler çeşitlidir ve birleşik ifade yoktur. . Resimlerin ve videoların ifadelerinden farklı olarak, 3B grafik verileri için genel bir derin öğrenme modelinin nasıl etkili bir şekilde tasarlanacağı (görüntüler için tasarlanmış derin evrişimli sinir ağı CNN gibi) hala herkesin üzerinde çalıştığı sıcak bir konudur. Ek olarak, birçok grafik alanında, büyük ölçekli yüksek kaliteli veri kümeleri hala eksiktir. Bu yüksek kaliteli grafik verilerinin etkili bir şekilde nasıl oluşturulacağı, grafik araştırmalarının temel sorunlarından biridir. Son olarak, render gibi birçok grafik alanında, sonuçların fiziksel doğruluğu ve algoritmanın gerçek zamanlı performansı için herkesin çok yüksek gereksinimleri vardır.Bu yönlerden, derin öğrenme teknolojisi de dahil olmak üzere makine öğrenimi teknolojisinin mevcut algoritmalardan daha iyi geliştirmek için nasıl etkili bir şekilde kullanılacağı Daha iyi çözümler için hala çözülmesi gereken birçok sorun var.
Tong Xin aynı zamanda zorlukların da fırsatlar olduğunu belirtti. Son yıllarda, grafik araştırmalarındaki herkes, farklı grafik problemlerini çözmek için derin öğrenme teknolojisinin nasıl kullanılacağını aktif olarak keşfetmeye başladı. Bu yılki SIGGRAPH'de, birçoğuna Çinli yazarların katıldığı derin öğrenme ve makine öğrenimiyle ilgili birçok makale yayınlandı. Microsoft Research Asia tarafından yayınlanan ilgili üç çalışmaya ek olarak, Ulusal Savunma Üniversitesi Bilim ve Teknoloji'den Doçent Doktor Xu Kai'nin şekillerin yapısal analizindeki çalışmaları ve Hong Kong Üniversitesi'nden Profesör Yu Yizhou ve Dr.Pan Xiaoguang'ın eskizlere dayalı yüz ifadelerinin modellenmesi çalışmaları. Hepsi çok aydınlatıcı işler. Bu iki yıllık makalelerden, makine öğreniminin, özellikle derin öğrenmenin de grafik araştırmacılarından giderek daha fazla ilgi gördüğünü görebiliyoruz.
Son olarak Tong Xin şu yorumda bulundu: "Derin öğrenme çok iyi bir araçtır, ancak grafiklerde derin öğrenmenin her şeyi süpürmesi çok muhtemeldir ve tüm sorunları çözmek imkansızdır. Çünkü içerik üretimi esasen görüntüyü anlamadan daha zor bir sorundur. Bir yandan, insanların anlamlarını ve tanımlarını anlayabilmeyi ve bu belirsiz soyut imgelemleri ve açıklamaları somut deterministik grafik içeriğe dönüştürmeyi umuyoruz. Öte yandan, oluşturulan içeriğin fiziksel olarak makul ve zengin ve gerçekçi ayrıntılara sahip olmasını istiyoruz. Bu tersine üretim süreci, aynı zamanda herkesin derin öğrenmede yeni keşfettiği bir sorundur. Sonunda yüz çiçek açabilir, farklı yollar aynı hedefe ulaşır ve farklı yöntemlerin bir araya getirilmesiyle nihai hedefe ulaşılabilir. "
Oktree tabanlı evrişimli sinir ağı, 3B şekil analizi için hesaplama miktarını azaltır
Röportajda Tong Xin, Microsoft Research Asia tarafından bu yıl SIGGRAPH'de yayınlanan derin öğrenme ile ilgili üç makaleyi de kısaca tanıttı. İlki, 3B şekil analizi için sekiz tabanlı evrişimli bir sinir ağıdır.
Genellikle iki boyutlu görüntü analizi için CNN kullanmak çok iyidir, Nvidia'nın ayrıca özel bir kütüphanesi vardır. Bununla birlikte, 3B grafikler genellikle düzensiz bağlanmış üçgen ızgaralar veya nokta bulutları ile ifade edilir.Peki, düzensiz üçgen ızgaralar veya nokta bulutlarıyla başa çıkmak için normal verileri işlemek için CNN nasıl kullanılır? Herkesin çözmesi gereken ilk sorun olur.
Geleneksel veri ifadesi, hesaplamanın çok karmaşık olmasına neden olur!
Sezgisel bir çözüm, uzayda düzenli bir ızgaranın voksel temsilini yapmaktır Bu şeklin kapladığı voksel 1 olarak işaretlenir, aksi takdirde 0 olarak işaretlenir. Bu üç boyutlu düzenli ızgara doğrudan CNN ile yapılırsa, hesaplama karmaşıklığı çok büyük olacaktır. Çözünürlük biraz daha yüksekse, bellek ek yükü ve eğitim hızı buna dayanamayacaktır. Genellikle 32 * 32 * 32 kadar küçük olan ve şekil ayrıntılarını bile göremeyen normal bir ızgara hareket edemez.
Başka bir çözüm, çeşitli açılardan çok sayıda derinlik haritası çizmek ve daha sonra resimleri bir CNN yapmak için bir araya getirmektir.Bu yöntem birçok sorunu çözebilir. Ama kaç resim yeterli? Hangi açıdan? Birleşik bir çözümümüz yok. Şeklin bir iç yapısı veya içbükey bir parçası varsa, bu yöntem muhtemelen bilginin bu kısmını kaybedecek ve sonraki algoritmanın performansının düşmesine neden olacaktır. Diğer bir çözüm de yüzey boyunca CNN yapmaktır. Bununla ilgili temel sorun, çok yönlü bir şekil ifadesi gerektirmesidir, ancak nokta bulutları hakkında hiçbir şey yapamaz. Aynı zamanda yüzeylerin çoğu hatasız bir düzlemde açılamaz ve bazı yerlerin uzatılması veya bozulması gerekir ki bu da algoritma performansının düşmesine neden olur.
Tong Xin tanıttı: "Bizim işimiz, alanı sekize bölmek, parçaları nesnelerle bırakmak, olmayanları işaretlemek ve atmak için grafiklerde çok popüler sekizli yapıyı kullanmak ve kalanları alt bölümlere ayırmaya devam etmektir. . Evrişim yaparken, bunu sadece uzayda bir nesnenin olduğu oktree dalında yapın. Algoritmanın gerektirdiği alan ve hız, bir görüntü oluşturmanın karmaşıklığına benzer, Bu, daha yüksek çözünürlüklü üç boyutlu şekillerin analizine izin verir. Bu fikre dayanarak, Kullanıcıların çoğu görüntü tabanlı CNN modelini kullanmalarına izin vererek, CNN'in avantajlarından tam anlamıyla yararlanarak GPU üzerinde optimize edilmiş bir uygulama yaptık. . "
CNN, yüzey malzemesi üretimi sorununa meydan okumak için yarı denetimli öğrenme ile birleştirildi
Derin öğrenmeyle ilgili çok önemli bir diğer çalışma, nesneler için otomatik olarak yüzey malzemeleri oluşturmak için derin öğrenmeyi kullanmaktır.
Yüzey malzemesi nedir? Malzeme gerçek ışık altında nesnenin rengini, yansımaları ve yüzeyin görünüm detaylarını belirler. Bu kola kutusunun plastik, metal, buzlu veya cilalı olup olmadığını tek başına şekli söyleyemez. Sadece malzeme bilgisi, renkler, yansımalar, vurgular vb. Ekleyerek bunun alüminyum buzlu bir kavanoz olduğunu biliyoruz.
Grafik oluşturmada malzeme çok önemlidir. fakat Çok gerçekçi bir yüzey dokusu oluşturmak her zaman çok zor bir şey olmuştur. Tong Xin şunları söyledi: "Deneyimli bir sanatçı kendi deneyimine dayalı bir fotoğraftan başlayabilir, Photoshop aracılığıyla birçok karmaşık görüntü düzenleme işlemiyle ilgili doku haritasını oluşturabilir. O zaman sanatçı iyi yapabilirse, o zaman biz Resimlerden otomatik olarak yüksek kaliteli doku haritaları yapmak için derin öğrenme teknolojisini kullanabilir miyiz? "
Ancak buradaki zorluk şudur: Geleneksel CNN eğitim yöntemini kullanırsak, birçok fotoğrafı ve bunlara karşılık gelen gerçek malzeme kalibrasyon verilerini girmemiz gerekir. Ancak çok sayıda resim ve ilgili malzeme bulmak bizim için zor. Aksi takdirde, bu aracı geliştirmemize gerek yoktur.
Tong Xin şunları söyledi: "Bizim çözümümüz, kullanıcılar tarafından verilen küçük miktarda girdi resimleri ve bunlara karşılık gelen malzeme etiketleri ile internetten malzeme etiketleri olmadan indirilen çok sayıda resmi kullanmak. Çizim algoritmasıyla birlikte yeni önerilen kendi kendini geliştiren bir eğitim yöntemi ile CNN'i eğitin Bu yöntem iyi sonuçlar elde etti. Bu, grafik problemleri için yeni bir yarı denetimli öğrenme algoritmasıdır. Bu algoritmanın daha fazla grafik ve görüntü problemini çözmeye yardımcı olma potansiyeline sahip olduğuna inanıyorum. "
Başka bir çalışma, Microsoft Asya Araştırma Görsel Hesaplama Grubu, Yuan Lu ve Liao Jing'den araştırmacılar tarafından önerilen, yüksek kaliteli ve içerikle ilgili görüntü stilizasyon sonuçları üretebilen yeni bir görüntü stilizasyon algoritmasıdır. Bu başarı, grafikler ve görsel araştırma arasındaki ilişkiyi bir kez daha göstermektedir.
VR yalnızca medyadır ve AR platformdur. Dört ana teknoloji hızla gelişiyor ve salgın yaklaşıyor
VR / AR / MR, grafiklerle yakından ilgilidir. Bu doğrultuda Microsoft, MR (karma gerçeklik) yönünde amiral gemisi ürünü HoloLens'i piyasaya sürdü. Yalnızca Microsoft değil, Facebook, Apple ve Google gibi devler de MR'a ayak bastılar. Bu yön için onun da bazı fikirleri var.
Herkes VR ve MR / AR'yi bir araya getirmeyi sever, ancak Tong Xin ikisinin temelde farklı olduğuna inanıyor - VR daha çok yeni bir medya biçimi. MR / AR, temelde bir semantik konum hizmeti (anlamsal konum hizmeti) olan yeni bir platformdur. Tong Xin şunları söyledi: "İkisinin bazı ortak yönleri olsa da, sonunda temel uygulama senaryolarında yollarını ayıracaklar."
Eğlence, eğitim vb. Medyayı kullanan herhangi bir sahne, VR nüfuz edecektir. AR / MR'nin uygulama senaryoları VR'den çok daha geniştir ve hayatınızda her yerde bulunan bir platform haline gelecektir. Özü anladıktan sonra, VR ve AR / MR'nin uygulama düzeyinde patlayıp patlamayacağını tartışabiliriz.
Tong Xin, medyanın en çok ilgilendiği içeriğin üretilmesi ve yayılmasına inanmaktadır. VR'nin kullanıcılar için çok iyi deneyime sahip içerik üretmesi hala zordur. VR, kullanıcıların kask takmasını gerektirir ve kullanıcıların rahatsızlığın üstesinden gelmek için fazladan enerji harcamaları gerekir; bu, kullanıcıların içerik beklentilerinin mevcut medyadan çok daha yüksek olduğu anlamına gelir. Kötü olan şu ki, kullanıcıların mevcut görsel medyayı gerçekten aşan daha yüksek kaliteli medya içeriği üretmelerine yardımcı olacak özellikle iyi bir yönteme sahip değiliz. Örnek olarak sanal gerçeklik videosunu ele alalım: Karşılaştığımız şey resmin kaba grenli olması, etkileşimin rahatsızlığı ve görsel deneyim ile bedenin diğer duyusal deneyimlerinin ayrılmasıdır. Bu sadece bir grafik teknolojisi sorunu değil, aynı zamanda yetişemeyen bir dizi teknolojidir.
Grafiklerle ilgili sorun, serbestçe hareket ettirilebilen bir bakış açısıyla daha yüksek çözünürlüklü bir videonun nasıl çekileceğidir. İkincisi, aktarım mekanizması açısından, içeriğin nasıl sıkıştırılacağı ve gecikmenin nasıl azaltılacağı. Üçüncüsü, interaktif anlamda ekranın çok büyük bir çözünürlüğü var.Belirli bir detayı, doğal olarak nasıl etkileşim kuracağımı görmek istediğimde, bu bölümün içeriğini yakınlaştırıp kapatın. VR'nin kullanıcılara getirdiği deneyim, kullanıcılara getirdiği ek yükü aşmadı ve önümüzde uzun bir yol var. AR / MR ayrıca birçok teknik zorluğa sahiptir, ancak bu teknik zorluklar son yıllarda bir dizi atılım ve hızlı gelişme sağlamıştır:
1. SLAM konumlandırma teknolojisi şu anda çok hızlı gelişiyor
2. Tanıma teknolojisi, kullanıcının ne gördüğünü ve neyle etkileşime girdiğini tanımak için?
3. Hareket ve bakış izleme teknolojisi, doğal etkileşim için yüz ifadesi izleme teknolojisi
4. Ekran teknolojisi, daha hafif bir kulaklık ve daha geniş bir görüntüleme açısı elde etme
Tong Xin inanıyor, Yukarıda belirtilen AR / MR teknolojilerinin her biri henüz tam olarak olgunlaşmadı, ancak aynı zamanda hızla gelişiyor, bu nedenle AR / MR patlamasının yakında geleceğine inanıyor.
Tong Xin, Xinzhiyuan'a, MR'ın yaygınlaşmasında Microsoft'un farklı pratik senaryolarda uygulamaları keşfetmek için birçok şirketle işbirliği yaptığını söyledi. Örneğin, asansör bakımı için Thyssenkrupp (Thyssenkrupp) ile işbirliği, araba tasarımı için Volvo ile işbirliği ve tıbbi anatomi eğitimi vb. Microsoft için sağlıklı bir ekosistem oluşturmak artık daha önemli.
Microsoft Internet Graphics Group: Çok sayıda Çinli grafik yeteneği yetiştirdi
2001'deki kuruluşundan bu yana, Microsoft Internet Graphics Group, Çin'deki İnternet'in geliştirilmesinde tüm Microsoft Research Asia'nın oynadığı rolün bir mikro kozmosu olan Çin grafiklerinde çok sayıda yetenek yetiştirdi.
Tong Xin, Çin'deki mevcut grafik geliştirme seviyesinin oldukça iyi olduğunu ve birçok araştırma alanında uluslararası birinci sınıf seviyeye ulaştığını söyledi. Tsinghua Üniversitesi, Zhejiang Üniversitesi, Çin Bilim ve Teknoloji Üniversitesi, Shandong Üniversitesi, Shenzhen Üniversitesi, Peking Üniversitesi ve Çin Bilimler Akademisi gibi birçok yerel üniversite, üst düzey SIGGRAPH makalelerini yayınlama yeteneğine sahiptir. Tsinghua Üniversitesinden Profesör Xu Yingqing ve Doçent Doktor Liu Shixia, Zhejiang Üniversitesinden Profesör Zhou Kun ve Profesör Liu Xinguo, Çin Bilim ve Teknoloji Üniversitesinden Profesör Liu Ligang, Hong Kong Üniversitesinden Doçent Wei Liyi vb. Grafik grubunda çalıştı.
Tong Xin şunları söyledi: "Yerel grafik çemberindeki öncüller, grafiklerin geliştirilmesi için sağlam bir temel oluşturdu. Grafik çemberindeki herkes birleşmiş ve grafik üretimini, öğrenmeyi ve araştırmayı daha iyi hale getirmek istiyor. Bu nedenle, bu yıllardaki grafikler Çin'deki gelişme çok iyi ve herkes dünya standartlarında birçok sonuç elde etmek için çok çalıştı.Microsoft Research Asia, katılabilmekten, herkesle sıkı çalışmaktan ve bu gelişmelere kendi katkılarını yapmaktan çok memnundur.Ayrıca, ağ grafikleri ekibi Ayrıca Microsoft'a ve sektöre pek çok katkı yaptı: Microsoft açık kaynak çerçevesi CNTK'da görsel analiz algoritması ve GPU optimizasyonu; XBOX platformundaki orijinal platform için oyun desteği ve birçok Microsoft oyununda kullanılan işleme modelleme teknolojisi vb. Bu teknolojilerin uygulanması, kelimenin tam anlamıyla endüstrinin ilerlemesini destekledi. "
Geleceği dört gözle beklerken, Tong Xin ağ grafiklerinin geleceği konusunda oldukça iyimser: "Aslında grafik teknolojisi geliştirmenin temel düzeyi (Düşük Düzey) üzerine araştırmayı henüz tamamladık. Üst düzeyde, kullanıcıdan gelen basit girdiler ve sonucun işlevi ve kullanımı nasıl kullanılır? Daha akıllı içerik oluşturma ve etkileşim için sahnenin anlaşılması, hala herkesin keşfetmeye başladığı bir sorundur. Ağ grafiklerinin nihai amacı, kullanıcının dil girdisi ve anlayışı yoluyla kullanıcıların otomatik olarak yüksek kaliteli görsel içerik oluşturmasına yardımcı olmak ve sanal ile gerçeklik arasındaki sınırı tamamen kırmaktır. Hala bu hedefin uzağındayız, ancak bu hedef için çok çalışıyoruz. "
Referans listesi:
1. https://zhuanlan.zhihu.com/p/26856561
5.
6. SANET:
