Сравнение подходов к использованию нейронных моделей в задачах компьютерной графики
https://doi.org/10.15514/ISPRAS-2026-38(3)-34
Аннотация
Данная работа представляет сравнительное исследование производительности различных подходов к применению нейронных моделей в задачах компьютерной графики. Рассмотрены два направления: представление поверхностей с помощью нейронных моделей функции расстояния со знаком (на примере SIREN) и нейронные модели материалов, представленных двунаправленной функцией отражения, (на примере NBRDF). Проанализированы реализации MLP как с помощью кроссплатформенных подходов, так и с использованием специализированного аппаратного ускорения. Результаты экспериментов выявляют существенные различия в производительности между рассматриваемыми подходами. На их основе сформулированы практические рекомендации для разработчиков, планирующих интеграцию нейронных методов в приложения компьютерной графики.
Ключевые слова
При поддержке: Исследование выполнено при поддержке Российского научного фонда, проект № 25-11-00054.
Об авторах
Никита Андреевич МИЛИН
ИПМ им. М.В. Келдыша РАН
Россия
Россия
Cтудент кафедры Интеллектуальных информационных технологий факультета ВМК МГУ, программист Института прикладной математики им. М.В. Келдыша РАН. Сфера научных интересов: реалистичная компьютерная графика, рендеринг в реальном времени, параллельные вычисления.
Роман Олегович РОДИОНОВ
ИПМ им. М.В. Келдыша РАН
Россия
Россия
Cтудент кафедры Интеллектуальных информационных технологий факультета ВМК МГУ, программист Института прикладной математики им. М.В. Келдыша РАН. Сфера научных интересов: реалистичная компьютерная графика, спектральный и нейронный рендеринг.
Владимир Александрович ФРОЛОВ
ИПМ им. М.В. Келдыша РАН
Россия
Россия
Кандидат физико-математических наук, старший научный сотрудник Института прикладной математики им. М.В. Келдыша РАН, научный сотрудник факультета ВМК МГУ. Сфера научных интересов: реалистичная компьютерная графика, моделирование освещённости, разработка программных систем оптического моделирования, параллельные и распределённые вычисления.
Список литературы
1. eltner T., Rousselle F., Weidlich A., Clarberg P., Novák J., Bitterli B., Evans A., Davidovič T., Kallweit S., Lefohn A. Real-Time Neural Appearance Models. ACM Transactions on Graphics, 2024, vol. 43, no. 3, Article 33, pp. 1–17. DOI: 10.1145/3659577.
2. Sitzmann V., Martel J., Bergman A., Lindell D., Wetzstein G. Implicit Neural Representations with Periodic Activation Functions. Advances in Neural Information Processing Systems, 2020, vol. 33, pp. 7462–7473.
3. Zhang D., Wang J., Wang S., Mihajlovic M., Prokudin S., Lensch H.P., Tang S. RISE-SDF: A Relightable Information-Shared Signed Distance Field for Glossy Object Inverse Rendering. The 12th International Conference on 3D Vision (3DV), 2025, pp. 597–606. DOI: 10.1109/3DV66043.2025.00060.
4. Zhang K., Luan F., Li Z., Snavely N. IRON: Inverse Rendering by Optimizing Neural SDFs and Materials from Photometric Images. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 5555–5564. DOI: 10.1109/CVPR52688.2022.00548.
5. Милин Н.А., Родионов Р.О., Галактионов В.А., Фролов В.А. Сравнительный анализ выполнения нейронных моделей для графики. Материалы 35-й Международной конференции по компьютерной графике и машинному зрению ГрафиКон 2025, 2025, с. 23–29. DOI: 10.25686/978-5-8158-2474-4-2025-23-29.
6. Müller T., Evans A., Schied C., Keller A. Instant Neural Graphics Primitives with a Multiresolution Hash Encoding. ACM Transactions on Graphics, 2022, vol. 41, no. 4, Article 102, pp. 102:1–102:15. DOI: 10.1145/3528223.3530127.
7. Chaitanya C.R.A., Kaplanyan A.S., Schied C., Salvi M., Lefohn A., Nowrouzezahrai D., Aila T. Interactive Reconstruction of Monte Carlo Image Sequences using a Recurrent Denoising Autoencoder. ACM Transactions on Graphics, 2017, vol. 36, no. 4, Article 98, pp. 98:1–98:12. DOI: 10.1145/3072959.3073601.
8. Munkberg J., Hasselgren J. Neural denoising with layer embeddings. Computer Graphics Forum, 2020, vol. 39, no. 4, pp. 1–12. DOI: 10.1111/cgf.14049.
9. Kulhánek J., Derner E., Sattler T., Babuška R. ViewFormer: NeRF-free Neural Rendering from Few Images Using Transformers. Computer Vision – ECCV 2022, 2022, pp. 198–216. DOI: 10.1007/978-3-031-19784-0_12.
10. Zeng C., Dong Y., Peers P., Wu H., Tong X. RenderFormer: Transformer-based Neural Rendering of Triangle Meshes with Global Illumination. ACM SIGGRAPH Conference Papers, 2025, Article 48, pp. 1–11. DOI: 10.1145/3721238.3730595.
11. Mildenhall B., Srinivasan P. P., Tancik M., Barron J. T., Ramamoorthi R., Ng R. NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis. Computer Vision – ECCV 2020, 2020, pp. 405–421. DOI: 10.1007/978-3-030-58452-8_24.
12. Weier P., Rath A., Michel É., Georgiev I., Slusallek P., Boubekeur T. N-BVH: Neural ray queries with bounding volume hierarchies. ACM SIGGRAPH Conference Papers, 2024, Article 99, pp. 1–11. DOI: 10.1145/3641519.3657464.
13. Khronos Group. VK_NV_cooperative_vector. Vulkan Registry. Available at: https://registry.khronos.org/vulkan/specs/latest/man/html/VK_NV_cooperative_vector.html, accessed: 09.02.2026.
14. Bangaru S., Wu L., Li T.-M., Munkberg J., Bernstein G., Ragan-Kelley J., Durand F., Lefohn A., He Y. SLANG.D: Fast, Modular and Differentiable Shader Programming. ACM Transactions on Graphics, 2023, vol. 42, no. 6, Article 264, pp. 264:1–264:28. DOI: 10.1145/3618353.
15. Park J. J., Florence P., Straub J., Newcombe R., Lovegrove S. DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019, pp. 165–174. DOI: 10.1109/CVPR.2019.00025.
16. Chabra R., Lenssen J. E., Ilg E., Schmidt T., Straub J., Lovegrove S., Newcombe R. Deep Local Shapes: Learning Local SDF Priors for Detailed 3D Reconstruction. Computer Vision – ECCV 2020, 2020, pp. 608–625. DOI: 10.1007/978-3-030-58526-6_36.
17. Takikawa T., Litalien J., Yin K., Kreis K., Loop C., Nowrouzezahrai D., Jacobson A., McGuire M., Fidler S. Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 11353–11362. DOI: 10.1109/CVPR46437.2021.01120.
18. Hart J.C. Sphere Tracing: A Geometric Method for the Antialiased Ray Tracing of Implicit Surfaces. The Visual Computer, 1996, vol. 12, no. 10, pp. 527–545. DOI: 10.1007/s003710050084.
19. The Stanford 3D Scanning Repository. Available at: http://graphics.stanford.edu/data/3Dscanrep, accessed: 09.02.2026.
20. Sztrajman A., Rainer G., Ritschel T., Weyrich T. Neural BRDF Representation and Importance Sampling. Computer Graphics Forum, 2021, vol. 40, no. 6, pp. 332–346. DOI: 10.1111/cgf.14335.
21. Dupuy J., Jakob W. An adaptive parameterization for efficient material acquisition and rendering. ACM Transactions on Graphics, 2018, vol. 37, no. 6, Article 274, pp. 274:1–274:18. DOI: 10.1145/3272127.3275059.
Рецензия
Для цитирования:
МИЛИН Н.А., РОДИОНОВ Р.О., ФРОЛОВ В.А. Сравнение подходов к использованию нейронных моделей в задачах компьютерной графики. Труды Института системного программирования РАН. 2026;38(3):39-48. https://doi.org/10.15514/ISPRAS-2026-38(3)-34
For citation:
MILIN N., RODIONOV R., FROLOV V. Comparison of Approaches to the Use of Neural Model in Computer Graphics. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2026;38(3):39-48. (In Russ.) https://doi.org/10.15514/ISPRAS-2026-38(3)-34
Послать статью по эл. почте 