3D 深度學習研究人員可以使用 Kaolin PyTorch 庫（現已提供）在最新算法的基礎上簡化和加速工作流程。

NVIDIA Kaolin 庫于 2019 年 11 月首次發布，最初是作為實習項目在 NVIDIA 多倫多人工智能實驗室編寫的。在為幾個項目編寫重復的樣板代碼和復制算法組件后，研究人員開始開發 PyTorch 庫，將 3D 深度學習（ 3D DL ）的通用功能帶到一個地方。自第一次發布以來， Kaolin 庫已發展成為一個成熟的代碼庫，具有用于 3D 深度學習的強大且優化的實用程序和算法。

Kaolin 庫為 3D 深度學習研究人員帶來了加速其工作流程的實用工具，以及可重用的研究組件，為未來的創新提供了基礎。例如，Kaolin 簡化了用于培訓的復雜 3D 數據集的處理。它還包括 3D 檢查點的編寫器，這些檢查點可以通過最新的 RTX NVIDIA 技術在 Omniverse Kaolin 應用程序中可視化。它還提供了構建模塊，如 3D 表示之間的轉換、用于訓練的有用 3D 損失函數以及可微分渲染。Kaolin 團隊致力于提供持續改進，并提供新的算法構建塊，以推動 3D DL 創新。

Kaolin 庫最新版本包括一種新的表示，結構化點云（ SPC ），一種基于稀疏 o CTR ee 的加速數據結構，具有高效卷積和光線跟蹤功能。 SPC 可用于放大和加速神經隱式表示，這在當今 3D DL 研究中很流行。它還支持最新版本的NeuralLOD訓練，可將內存減少 30 倍，訓練時間縮短 3 倍。

它還包括一個名為 Dash3D 的新的輕量級 Tensorboard 樣式 web 儀表板。用戶可以利用此工具檢查 DL 模型在培訓期間生成的 3D 預測的檢查點，即使在遠程硬件配置上也是如此。

該庫版本改進了對 3D 數據集的支持，包括新數據集（ SHREC 、 ModelNet ）、附加格式（.off）和USD 3D 文件格式的加速，從而使訓練期間的加載時間效率比流行的 obj 格式提高了 5 倍。此外，還包括可微繪制和三維檢查點的新教程。

關于作者

Clement Fuji Tsang 是 NVIDIA 的一名研究科學家，他在多倫多領導Kaolin 公司，致力于研究應用于計算機視覺和 GPU 上的 3D 深度學習的高效算法。

審核編輯：郭婷