自然语言处理是计算机实现通用人工智能的最难挑战吗?

通常传统的方法,当要采样一根光线在某个表面的散射方向时,我们都直接对那个表面Local的BRDF做一个重要性采样。这样做的问题是并没有考虑到场景全局的广场分布。这篇文章首先很巧妙的把Rendering Equation和Q Learning的Update function一项一项的对应了起来,然后把场景的表面离散化,在表面上再把散射方向的半球离散化,并在每个半球上保存一个Q Learning的记录。然后就一边做渲染,一边通过渲染的数据去更新这些记录。并且将光线散射时候的BRDF重要性采样换成对Q Learning记录的采样。对于场景比较复杂,采样困难的场景,这个方法能起到和Metropolis采样非常相似甚至更胜一筹的效果。最后再简单说说我个人对人工智能的方法用到图形渲染应用中的看法。简单来说,我还是觉得,AI、深度学习是一个用来逼近,或者说发现一个非常复杂的高纬度非线性函数的工具。但是图形中的许多问题,我们都是已经知道描述问的非常精确的公式的。例如渲染有渲染方程,物理模拟有各种物理定律。我个人认为这一部分根本的问题描述,我们不需要AI帮忙。例如我是不太相信现在的各种Colorization Network,Style Transfer,又或者GAN这一类同样是生成像素的算法,能对基于物理渲染带来什么实质贡献的,我不认为还是比较黑盒的神经网络能提供传统方法有的质量和精度。但是对于这些问题,虽然我们有精确的物理描述,但是在实际运用中,高效的求解往往还是非常有挑战性。例如渲染中的重要性采样,要做到真正全局范围内定理想采样,势必需要全局的统计各种信息。又例如图像降噪,其实就是要非常聪明的恢复那些因为采样不足而丢失的信息。感觉这一类问题,AI也许的确能提供一些非常有价值的帮助。上面分享的几篇文章都是很好的例子。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180225A0EQRG00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券