NVIDIA Kaolin库版本简化3D深度学习研究工作流程

3D 深度学习研究人员可以使用 Kaolin PyTorch 库（现已提供）在最新算法的基础上简化和加速工作流程。

NVIDIA Kaolin 库于 2019 年 11 月首次发布，最初是作为实习项目在 NVIDIA 多伦多人工智能实验室编写的。在为几个项目编写重复的样板代码和复制算法组件后，研究人员开始开发 PyTorch 库，将 3D 深度学习（ 3D DL ）的通用功能带到一个地方。自第一次发布以来， Kaolin 库已发展成为一个成熟的代码库，具有用于 3D 深度学习的强大且优化的实用程序和算法。

Kaolin 库为 3D 深度学习研究人员带来了加速其工作流程的实用工具，以及可重用的研究组件，为未来的创新提供了基础。例如，Kaolin 简化了用于培训的复杂 3D 数据集的处理。它还包括 3D 检查点的编写器，这些检查点可以通过最新的 RTX NVIDIA 技术在 Omniverse Kaolin 应用程序中可视化。它还提供了构建模块，如 3D 表示之间的转换、用于训练的有用 3D 损失函数以及可微分渲染。Kaolin 团队致力于提供持续改进，并提供新的算法构建块，以推动 3D DL 创新。

Kaolin 库最新版本包括一种新的表示，结构化点云（ SPC ），一种基于稀疏 o CTR ee 的加速数据结构，具有高效卷积和光线跟踪功能。 SPC 可用于放大和加速神经隐式表示，这在当今 3D DL 研究中很流行。它还支持最新版本的NeuralLOD训练，可将内存减少 30 倍，训练时间缩短 3 倍。

它还包括一个名为 Dash3D 的新的轻量级 Tensorboard 样式 web 仪表板。用户可以利用此工具检查 DL 模型在培训期间生成的 3D 预测的检查点，即使在远程硬件配置上也是如此。

该库版本改进了对 3D 数据集的支持，包括新数据集（ SHREC 、 ModelNet ）、附加格式（.off）和USD 3D 文件格式的加速，从而使训练期间的加载时间效率比流行的 obj 格式提高了 5 倍。此外，还包括可微绘制和三维检查点的新教程。

关于作者

Clement Fuji Tsang 是 NVIDIA 的一名研究科学家，他在多伦多领导Kaolin 公司，致力于研究应用于计算机视觉和 GPU 上的 3D 深度学习的高效算法。

审核编辑：郭婷