30，工程学院计算机楼三层，实验室。
姜宇按照课程表找到《实时渲染算法》的实验室。
推门进去，房间里只有六七个人，全是男生，空气中弥漫着代码和速食面的味道。
周牧坐在角落，面前两台显示器，正盯着满屏的数学公式和代码。
“嗨。”姜宇走过去，在他旁边坐下。
周牧抬头，推了推眼镜：“姜宇？你也选这门课？”
“嗯。”姜宇看了眼他的屏幕，“在优化光子映射的内存结构？”
“对。”周牧眼睛亮了，“我发现传统的光子图存储方式太浪费，80%的光子最终不会对最终图像产生显著贡献。我想用重要性采样和自适应存储...”
他又开始滔滔不绝。
姜宇耐心听了五分钟，然后开口：“为什么不试试用机器学习预测光子重要性？”
周牧愣住。
“2005年，机器学习在图形学中的应用几乎是空白。”
姜宇继续说，“已经有论文开始探索用神经网络做降噪、超分辨率。如果我们训练一个网络，输入场景的几何、材质、光源信息，输出每个光子对最终图像的贡献权重...提前剔除低权重的光子，存储开销可以降低70%以上。”
“这...”周牧盯着他，像在看外星人，“这需要大量的训练数据和计算资源。而且，实时性怎么保证？神经网络推理也需要时间...”
“预训练+轻量化模型。”姜宇说得很快，“用离线渲染的大量场景做训练，得到一个通用模型。部署时用简化的网络结构，配合GPU加速。2005年的GeForce 7800 GTX已经有可编程着色器单元，可以做简单的矩阵运算。”
他顿了顿，补充：“我知道这听起来超前。如果我们不做，一两年后，一定会有人做。到时候我们就只能追赶了。”
周牧沉默了很久。
最后他说：“你有具体的方案吗？”
“有。”姜宇从背包里拿出U盘，“昨晚写了个大纲，包括数据采集方法、网络结构设计、训练和部署流程。但需要懂数学的人来完善。”
周牧接过U盘，插进电脑。
屏幕上跳出一个PDF文档，28页，图文并茂，从理论推导到伪代码，甚至还有初步的基准测试预估。
“你一晚上写的？”周牧的声音有些惊讶。
“睡不着。”姜宇轻描淡写。
本章未完，请点击下一页继续阅读！