第4章 ：勾引到手(2/3)
推荐阅读：
我家娘子，不对劲、最强雄狮、电影世界大盗、儒道至上？我在异界背唐诗！、苟在妖武乱世修仙、我在忍界掀起百鬼夜行、神祗：开局鱼猫兽人、三国：从边疆封王开始、荡剑诛魔传、赤心巡天、好莱坞，我凭特效封神
投资期限3-5年”。
最后是杠杆申请。
2005年，美股保证金账户对国际学生相对严格，但并非不可能。
他申请了5倍杠杆，即用10万美元本金，最多可购买50万美元市值的股票。
这意味着如果股价下跌20%，他就会爆仓，本金全损。
高风险，高回报。
提交申请。
页面提示：“审核通常需要3-5个工作日。在此期间，您可以用现金账户交易。”
姜宇关掉页面。
“...接下来是课程注册指导。”丽莎切换到下一张PPT，“交换生必须在本周三前完成所有课程注册。这是电影艺术学院的课程列表...”
姜宇看向屏幕。
《数字媒体技术基础》《电影视觉特效史》《计算机动画原理》《实时渲染算法》...都是他前世早就精通的内容。
他还是认真记下课程编号和教授名字。
.......
下午1:30，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。
实际上，这是前世光影纪元在2018年才成熟的一项技术，基于深度学习的光子重要性预测。
他凭记忆还原了核心框架，虽然细节需要填补，但方向和路径是清晰的。
周牧一页页翻看，呼吸逐渐急促。
“这个损失函数的设计...巧妙。”他指着其中一页，“用渲染误差的梯度作为监督信号，而不是直接的光子贡献值...”-->>
最后是杠杆申请。
2005年，美股保证金账户对国际学生相对严格，但并非不可能。
他申请了5倍杠杆，即用10万美元本金，最多可购买50万美元市值的股票。
这意味着如果股价下跌20%，他就会爆仓，本金全损。
高风险，高回报。
提交申请。
页面提示：“审核通常需要3-5个工作日。在此期间，您可以用现金账户交易。”
姜宇关掉页面。
“...接下来是课程注册指导。”丽莎切换到下一张PPT，“交换生必须在本周三前完成所有课程注册。这是电影艺术学院的课程列表...”
姜宇看向屏幕。
《数字媒体技术基础》《电影视觉特效史》《计算机动画原理》《实时渲染算法》...都是他前世早就精通的内容。
他还是认真记下课程编号和教授名字。
.......
下午1:30，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。
实际上，这是前世光影纪元在2018年才成熟的一项技术，基于深度学习的光子重要性预测。
他凭记忆还原了核心框架，虽然细节需要填补，但方向和路径是清晰的。
周牧一页页翻看，呼吸逐渐急促。
“这个损失函数的设计...巧妙。”他指着其中一页，“用渲染误差的梯度作为监督信号，而不是直接的光子贡献值...”-->>