NVIDIA SIGGRAPH的最新发布与重要更新

在今年的 SIGGRAPH 2022 上，NVIDIA 宣布，为基于通用场景描述（USD）连接和构建元宇宙世界的平台——NVIDIA Omniverse 提供一系列新的开发者框架、工具、应用和插件。

此次针对 Omniverse 的扩展包括多项 AI 工具和功能，它们让艺术家、开发者和工程师能够比以往更加轻松地构建虚拟世界和内容，并且更加无缝地连接当今领先的 3D 应用。

让我们一览此次 SIGGRAPH 的最新发布与重要更新！

SIGGRAPH 22 全新发布

Omniverse Avatar Cloud Engine（ACE）

Omniverse Avatar Cloud Engine（ACE）能够为游戏、聊天机器人、数字孪生和虚拟世界的开发者提供用于构建和部署交互式虚拟形象的云原生 AI 模型，能够让用户更轻松地构建和自定义栩栩如生的虚拟助手和数字人。

通过将这些模型和服务迁移到云端，ACE 使任何规模的企业都能够立即获得创建并部署助手和虚拟形象所需的大规模算力。这些助手和虚拟形象能够理解多种语言、响应语音提示、与环境互动并提供智能建议。

NVIDIA 的Project Maxine 和 Project Tokkio

NVIDIA 的Project Maxine 和 Project Tokkio 是建立在 ACE 上的两个应用

Project Maxine为虚拟协作和内容创建应用带来了最先进的视频和音频功能。

Project Tokkio赋予交互式虚拟形象以视觉、感知和智能对话能力，并使虚拟形象能够提供建议，以提高餐厅等场所的客户服务水平。

Kaolin Wisp

建立神经场研究框架的 Pytorch 库——Kaolin Wisp ，不但简化了设计师的创作流程，还使数百万非专业设计人士也能轻松创建 3D 内容。

开源USD （通用场景描述）资源

NVIDIA 正在发布一系列免费资源来加速 USD 的采用范围，其中包括数千种专门用于帮助不具备 3D 专业知识的用户构建开放虚拟世界的 USD 资产。NVIDIA 还提供数百个可按需选择的教程、文档和开发者工具来帮助普及 USD 教育。

开放的 USD 兼容性测试和认证套件

开发者可以自由使用该套件来测试他们使用 USD 构建的项目并验证结果是否符合预期。

SIGGRAPH 更新

用于科学数字孪生的 NVIDIA Modulus 的连接

物理机器学习框架 NVIDIA Modulus 现已可用为 Omniverse 扩展程序。经 Modulus 训练的物理机器学习模型可提供近实时的性能，根据不同的应用，其速度可提高 4000 甚至 100000 倍，并且具有前所未有、更接近高保真模拟的准确性。Modulus 是 NVIDIA Earth-2 等科学数字孪生的基石之一。

Omniverse Kit

用于构建本地 Omniverse 扩展和应用程序的工具包

Omniverse 中PhysX的主要更新，包括实时、多 GPU、可扩展的柔体和颗粒布料仿真，帮助提高虚拟世界和物体的物理准确性。

全新OmniLive Workflows：对 Omniverse 中基于 USD 的协作进行全面改造，为多个应用程序的 3D 工作流程带来更高的速度和性能并实现非破坏性的 USD 工作流程，使艺术家和开发者之间的协作比以往更容易。

Omniverse Audio2Face

直接通过音频文件创建面部动画的 AI 工具，其推理和生成逼真情绪的新功能为 AI 动画带来了巨大的飞跃，可用于制作所有面部特征动画。

Omniverse Machinima

用于轻松构建 3D 电影和动画电影的应用，发布了数百个来自游戏《战争附言（Post Scriptum）》、《跨越火线（Beyond The Wire）》和《影子武士 3（Shadow Warrior 3）》的全新免费 3D 资产，以及 Audio2Gesture（可以利用音频文件生成逼真手臂和身体运动的 AI）等一套全新 AI 动画工具。

Omniverse DeepSearch

现已面向 Omniverse Enterprise 客户开放。DeepSearch 使用自然语言帮助团队利用 AI 直观、准确地在庞大的、未标记的 3D 视觉资产数据库中进行搜索。对于因拥有数十万未标记资产而使搜索成为一大难题的游戏开发商或视觉特效工作室而言，DeepSearch 将带来巨大的改变。

核心仿真模拟技术的重大更新

NVIDIA MDL: 10 年来，该材质标准一直支持物理级精确的 3D 材质表现，现已完全开源，使开发者能够为任何渲染器带来材质定义语言支持。

NeuralVDB: 即将发布公测版的NeuralVDB 是 OpenVDB 的下一个升级版本。它为稀疏体积的数据集带来了 AI 和 GPU 优化，并将这些海量数据集的内存占用率降低了多达 100 倍。

审核编辑：汤梓红