“永远实时在线”的Omniverse 帮助黄仁勋过了全世界_OMN:VER

英伟达今年4月份那场发布会,你曾看出什么不对劲的地方吗?

你品,你细品:

刚刚,在计算机图形学顶会SIGGRAPH2021上,英伟达通过一部纪录片自曝:那场发布会内藏玄机~

你看到了老黄,但也没完全看到。因为,这是一场当面“造假”的发布会。

画面中老黄的厨房、标志性的皮衣,甚至他的表情、动作、头发……全都是合成出来的。

这是一场开在元宇宙里的发布会,发表演讲的是英伟达CEO黄仁勋的数字人替身。

彼时彼刻,恰如此时此刻。

黄老板真给自己找了个替身。

没错,全世界都被黄仁勋了!

整整三个多月谁也没发现。

而且不光他自己,大到厨房的家具抽屉:

小到厨房里摆放的金属罐、甚至是老黄的乐高小人,都是被渲染出来的:

知道真相的我就如同导演李安:

这一切是怎么发生的呢……

到底怎么造假的?

数字人想要以假乱真,一定要做到细节丰富。

因为人脑专门有一套系统用于识别同类,有一点不对劲之处都会在几毫秒之内引起警觉。

所以要造假的老黄,得到摄影棚里拍上几千张各种角度的照片,通过一套3D扫描,把他脸上的每道褶子都采集成数据。

为了让效果更逼真,他那件拉风的皮衣还得单独拍。

用得到的数据对老黄做3D建模,为了方便后期编辑,先要把他的头发薅光!

具体到手指的细节,也需要非常仔细地调整:

建模完成好,下一步是让老黄动起来。

不过这里就不需要费时费力地进行手工操作了,AI已经能够胜任。

就像这样,用上最新的Audio2Face模型,AI可以随着语音播放自动调整模型的面部动作表情。

动作是没问题了,但是皮肤材质看起来还是不够好,和发布会上的效果没法比。

这就需要另一个AI,用一张老黄的照片就能匹配上动作合成到动画里去。

身体动作就不用老黄自己采集了,而是找来专业的动作捕捉演员,毕竟CEO肯定时间有限。

这样所有的前期准备工作就完成了,接下来是渲染。

看看这个自研的OmniverseRTX渲染器:

就真的是字面意义上的实时光线追踪,移动视角,调整光线都立刻完成更新。

这背后具体用了多少块显卡英伟达倒是没具体说,总之是多GPU+云计算才能搞定。

这场虚拟发布会,总共有34个3D美术师和15个软件研究人员参与。

他们一共做了21个版本的数字老黄,从中选出最像的那个,做出了这场精彩的发布会。

还真是把全世界都过了。

英伟达“造假”有多强

上面这些“造假”的效果,背后都来自于一个名为Omniverse的平台。

没错,英伟达研发的计算机图形学技术太多,多到已经能整合成一个平台了。

从CG到优化技术,从工具包到引擎,Omniverse都有提供。

光看Omniverse所承载的CG技术,其实远不止这次发布会用到的“造假”效果,它从渲染、材质,到光影、照明都有涉及,还会不断更新相关技术。

原本只是一纸论文的技术,可能不久后就被英伟达放到了Omniverse上,不少都是与AI相关的技术:

例如,缺损像素修补、插帧,已经被用到老照片和古早视频的修复中;还有基于GAN生成超分辨率图像、直接把2D照片渲染成3D场景,都已经能直接在平台上使用……

Omniverse上的渲染技术,究竟达到一个什么样的水准?

据英伟达表示,平台现在可以实时实现电影级别的画质渲染。

以渲染中非常重要的光源模拟为例,我们都知道,真实世界的光源多种多样,我们看到的其实是各种光照下的景物。

传统的计算机渲染,至少需要将光源迭代30+次,才能达到逼真到毛发的效果,即使用最先进的机器渲染,每一帧也基本都需要几十秒。

用上NeuralRadianceCache等技术后,结合RTXGPU硬件和Omniverse平台,光源渲染直接就能实时进行。

例如,这次GTC大会上对于主机的渲染,就采用了Omniverse平台的技术:

除此之外,包括LOD自动生成等技术也能用AI节约计算量,同时保证足够好的渲染效果。

不止是“以假乱真”的渲染效果,Omniverse还能完成更多意想不到的AI技术。

英伟达利用数字人实时渲染技术,在Omniverse中就能构建更逼真的、更符合物理定律的人类模型。

例如,帮助车辆、自主机器、机器人等更好地识别,真实的人类是什么样的,从而更好地设计工厂:

这是英伟达在Omniverse上更新了另一项数字孪生技术,将机器人AI放到虚拟环境中训练完成后,可以直接部署到真实环境中。

目前,宝马已经用英伟达的数字孪生技术,对数字工厂的生产流程进行了优化,效率直接拉高30%。

看看这个渲染的速度:

具体渲染效果来看,连光照和细节都能被模拟出来。

不止是宝马工厂,包括机器人仿真、自驾车仿真在内的一系列技术,也会用到Omniverse平台。

例如,自动驾驶和工厂的AI检测可能存在行人误判,将街头、公告张贴的人脸图片识别为行人,导致事故发生。将逼真的数字人和渲染等技术结合后,就能在仿真环境训练下模拟行人,让AI学会判断图片和真人的区别。

从效果到效率,英伟达都直接刷新了人们对“元宇宙”的认知。

重新定义「元宇宙」

号称“永远实时在线”的Omniverse,是英伟达打造元宇宙的关键。

它不仅能跨平台支持所有用户的物理渲染、模拟和仿真,还能让创作者、审核者在任何地方,只通过软件应用就在一个共享的虚拟世界中进行合作。

毕竟,Omniverse本身就构建于通用场景描述?(UniversalSceneDescription,简称USD)之上。

这是一种开源3D场景数据标准和文件格式,USD之于Omniverse就相当于HTML之于互联网。

USD由皮克斯开发,现在成了英伟达、皮克斯和苹果共同推广的行业标准。USD注重非破坏性便捷和跨软件协作,是x86、arm平台以及各种软件都程能够统一到Omniverse平台上的基础。

目前,全球已经有500多家公司的专业人士上手使用了Omniverse。这其中包括美国航天航空制造商洛克希德马丁公司、曾荣获艾美奖的《南方公园》工作室等知名企业。

国内央视的《飞向月球》太空纪录片,也同样有用到Omniverse,尤其是里面的数字人:

从Omniverse硬件和软件的支持情况来看,英伟达这一次更新也真的是诚意满满。

“将数百万新用户带入元宇宙世界”,真的不是说说而已。

首先,Omniverse这一次集成了Blender和Adobe来实现大规模扩展。

Blender是全球领先的开源3D动画工具,他们将在Blender3.0版本加入USD支持,使用户能够在Blender中直接访问Omniverse制作流程,这无疑会让创作者们的效率直线up。

Adobe就不用多介绍了,家喻户晓。

现在,他们正在和英伟达合作开发一个为Omniverse提供SubstanceMaterial支持的Substance3D插件。

使用这个插件,可以让用户在Omniverse中直接调整Substance3D中的素材。

这能为用户在改稿过程中,节省导出、重新上传的时间。

与此同时,英伟达还发布了一个人工智能3D建模扩展:GANverse3D–Image2Car。

它可以让AI进行3D建模变得更加容易。

只需通过一张汽车照片,GANverse3D就能建立出一个虚拟的3D模型。

这无疑让3D画师们创建场景变得更轻松了。

其次,在硬件上,NVIDIARTX和GeForceRTX系列都支持Omniverse。

这不,英伟达同时还发布了小巧、节能的RTXA2000,它适用于各种标准和小型工作站,可以说是专为创作者的日常工作而设计。

英伟达放言称,A2000将会成为数百万设计师进入元宇宙的门户。

去年12月发布公测版以来,已经有超过5万名个人创作者下载了Omniverse。

而Omniverse的生态系统也在持续壮大,Adobe、Autodesk、BentleySystems等多家软件公司都已加入Omniverse的生态圈。

现在,NvidiaOmniverse企业版的访问名额已经“开抢”了,华硕、BOXXTechnologies、戴尔、惠普、联想、必恩威和超微等平台上都能使用。

不知道以后英伟达的发布会还能不能当真。

反正老黄的假脸是一脸真诚~

OneMoreThing

回到4月那场发布会。我们在英伟达自曝纪录片中,隐约读出另一个事实,当时的老黄是真真假假,虚实交替的。

那么,哪一段是真?哪一段是假?

作为找茬八级团队,怎么能这么轻易就给人过去?于是,我们重新去回看了一遍4月份那场发布会。

果不其然,我们发现了一些不对劲的地方。

这是老黄第一次在发布会上出现时候的样子。看上去问题不大是吧?OK,接着往下看:

这是刚刚那张图4分钟之后,老黄的样子。注意到什么不一样的地方了吗?

请注意,他身上忽然间变成了另外一件皮衣,里面穿的也从Polo衫变成了圆领T恤。

如果你再仔细一点看,你会发现他厨房有些物品的放置也变了。

还有个最直观的区别:老黄本人,还有他背后的厨房,怎么好像分辨率突然提上去了?

高到脑门上的抬头纹都多了几条。

这还没完。

到发布会后半段,老黄穿着同一件皮衣,可是里面的衣服又换回了Polo衫。

过了一会,他摇身一变,把皮衣和Polo衫全换了。

好家伙,你搁这玩排列组合呢?

真搞不懂,老黄来来回回在这换装,是图个啥。除非这是英伟达故意的。

于是,我们拿着放大镜去看了视频,终于注意到,这段老黄手上的动作,有明显的不自然。而且画面也是糊的。

懂了:)

总之,一段视频了全世界3个月,不得不说,黄老板真是又高又硬。

赝品是个好东西!

郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。

金智博客

[0:0ms0-7:991ms