本文將從訓練、網絡架構到后處理和推理等方面，深入探討 Arm 神經超級采樣 (Arm Neural Super Sampling, Arm NSS) 的工作原理，希望為機器學習 (ML) 工程師和移動端圖形開發(fā)者來詳細解釋 Arm NSS 的運行機制，及其如何在移動端硬件上進行部署。

用神經超級采樣取代啟發(fā)式方法的原因

時域超級采樣 (TSS)，也稱為時域抗鋸齒 (TAA)，已經成為過去十年中抗鋸齒技術的行業(yè)標準解決方案。它具備諸多優(yōu)勢，包括能夠解決各類鋸齒問題，對于延遲渲染的計算效率高，并且可擴展至圖像的優(yōu)化升級。然而，該解決方案也面臨一些挑戰(zhàn)。例如，TSS 中目前常用的人工設計的啟發(fā)式方法難以擴展，并且需要在不同內容中不斷調整，像鬼影、去遮擋偽影和時域不穩(wěn)定性等問題依然存在，并且在與圖像優(yōu)化升級技術結合時變得更加棘手。

Arm NSS 通過一套從數(shù)據(jù)中學習且經過訓練的神經模型，而非靜態(tài)規(guī)則來克服這些限制。它可以跨條件和內容類型進行泛化，更有效地適應運動動力和識別鋸齒模式。這些能力使其能夠更可靠地處理那些對 AMD 超級分辨率銳畫技術 2 (FSR2) 和 Arm 精銳超級分辨率技術 (Arm Accuracy Super Resolution, Arm ASR) 等方法頗具挑戰(zhàn)的邊緣側用例。

訓練 Arm NSS 網絡：帶反饋的遞歸學習

Arm NSS 使用以每像素一個樣本渲染的 540p 幀序列進行訓練。每幀與以每像素 16 個樣本渲染的 1080p 真實標簽 (Ground Truth) 圖像配對。序列大約包含 100 幀，以幫助模型理解圖像內容如何隨時間變化。

解決方案的輸入包括渲染圖像的顏色、運動向量和深度，以及引擎元數(shù)據(jù)，如抖動向量和攝像頭矩陣。該模型采用遞歸式訓練，在每次執(zhí)行反向傳播之前，會先對多幀序列進行前向傳播。這使得網絡能夠隨時間傳播梯度，并學習如何累積信息。

該網絡采用時空損失函數(shù)進行訓練，能對空域保真度和時域一致性方面的誤差進行懲罰?？沼虮Ｕ娑扔糜诖_保單幀圖像清晰、細節(jié)豐富且視覺準確，有助于保留邊緣、紋理和精細結構;而時域穩(wěn)定性則抑制了連續(xù)幀之間可能出現(xiàn)的閃爍、抖動或其他形式的時域噪聲。

?此項訓練是在 PyTorch 中采用成熟的技術實踐進行，其中包括 Adam 優(yōu)化器、余弦退火學習率調度，以及標準數(shù)據(jù)增強策略。預處理和后處理流程使用 Slang 語言編寫，以確保靈活性和性能，而量化感知訓練則采用 ExecuTorch 完成。

網絡架構和輸出設計

Arm NSS 網絡采用具有跳躍連接的四層級 UNet 主干架構，以保持空間結構。它通過三個編碼器和解碼器模塊對輸入數(shù)據(jù)進行下采樣和上采樣處理。

Arm 評估了多種方法：

· 圖像預測?：易于實現(xiàn)，但在量化條件下表現(xiàn)不佳，并會產生視覺偽影。

· 內核預測：泛化能力良好且能有效量化，但由于需要許多大型內核映射，導致帶寬開銷較高。

· ?參數(shù)預測(所選方法)?：為每個像素輸出少量參數(shù)。這些參數(shù)驅動后處理步驟(如濾波和樣本累積)。該方法對量化友好且?guī)捫矢摺?

該網絡生成三種逐像素輸出：

· 4 x 4 濾波器內核;

· 用于累積和校正的時域系數(shù)?;

· 隱藏狀態(tài)張量?作為時域反饋傳遞至下一幀。

該網絡輸出服務于兩條路徑：

· 濾波器內核與時域系數(shù)?被后處理階段用于計算經優(yōu)化升級的最終圖像;

· 隱藏狀態(tài)被前向傳遞至下一幀推理。與 Arm ASR 此類技術依賴手動調優(yōu)的啟發(fā)式方法不同，Arm NSS 等 ML 方法具有三重優(yōu)勢：

1. Arm NSS 能估計動態(tài)內核濾波器和參數(shù)，以逐像素粒度解決鋸齒問題;

2. Arm NSS 通過利用采集多幀歷史狀態(tài)的時域反饋，實現(xiàn)更出色的時域穩(wěn)定性;

3. Arm NSS 可針對新游戲內容進行調優(yōu)，使開發(fā)者能進一步針對其特定游戲優(yōu)化圖像質量。

通過時域反饋提升幀間一致性

Arm NSS 引入了兩種關鍵反饋機制來解決時域不穩(wěn)定性問題：

· 將先前幀的隱藏特征前向傳遞，使網絡能夠學習變化與持續(xù)的部分;

· 通過計算亮度導數(shù)來檢測閃爍的細微特征，從而突顯指示不穩(wěn)定的時域差異。

這些輸入幫助模型在不依賴人工設計規(guī)則的情況下保持時域穩(wěn)定性。

預處理階段：輸入準備

在推理開始之前，基于 GPU 的預處理階段會準備 Arm NSS 所需的輸入數(shù)據(jù)，其中包括收集每個像素的屬性(如顏色、運動向量和深度)。此外，該階段還會計算亮度導數(shù)，這是一個用于標記細微特征閃爍的時域信號，以及去遮擋掩碼，以突出顯示陳舊的歷史記錄，并重投影歷史隱藏特征。

這些數(shù)據(jù)將被整合為用于神經網絡的單一輸入張量。該階段作為計算著色器運行，在推理調用前執(zhí)行，即在使用面向 Vulkan 的 ML 擴展的 GPU 上運行。

后處理：從原始輸出到最終幀

在推理完成后，作為計算著色器運行的后處理階段將構建最終輸出顏色。所有步驟均集成至渲染圖中，并專為移動端高效運行設計，具體包括以下步驟：

· 運動向量擴張，減少重投影歷史時的鋸齒問題;

· ?歷史重投影?，采用 Catmull-Rom 濾波器降低重投影的模糊度;

· 濾波，應用 4 x 4 內核對當前顏色輸入執(zhí)行抗鋸齒處理;

· 稀疏優(yōu)化升級，將抖動的低分辨率樣本映射到高分辨率網格上，缺失像素都以零值填充，然后用 4 x 4 內核稀疏濾波，執(zhí)行插值和抗鋸齒處理，類似于去馬賽克;

· 校正，使用預測的 theta 參數(shù)剔除陳舊歷史數(shù)據(jù);

· 樣本累積?，通過預測的 alpha 參數(shù)將新數(shù)據(jù)與歷史緩沖混合，在色調映射域執(zhí)行以避免“螢火蟲”偽影。

驗證質量

Arm 使用了峰值信噪比 (Peak Signal-to-Noise Ratio, PSNR)、結構相似性指數(shù) (Structural Similarity Index, SSIM) 和渲染聚焦感知誤差指標 FLIP 等指標來評估 Arm NSS。雖然這些指標未必總是匹配人類感知，但它們有助于發(fā)現(xiàn)問題案例，并通過跟蹤各種指標增強信心。

通過持續(xù)集成 (CI) 工作流回放測試序列并記錄 Arm NSS、Arm ASR 和其他基準的性能。有關視覺比較和感知評估的詳細內容，請參閱技術白皮書。

在 540p 到 1080p 的比較中，Arm NSS 提升了穩(wěn)定性和細節(jié)保留性能，并且在快速運動、部分遮擋物體和細微幾何體場景中表現(xiàn)出色。與 Arm ASR 或 AMD FSR2 等非神經方法不同，Arm NSS 無需反應掩碼，即可處理粒子效果。

Arm NSS 能否實時運行?

雖然搭載神經加速器的芯片尚未發(fā)布，但我們可以通過一些最低性能假設和執(zhí)行網絡推理所需的乘積累加運算 (MAC) 數(shù)量來估計 Arm NSS 是否足夠快。該分析適用于任何在吞吐量、功率和利用率方面滿足這些相同假設的加速器。我們假定在可持續(xù)的 GPU 時鐘頻率下，目標每瓦 10 TOP/s 的神經加速是可實現(xiàn)的。

在持續(xù)的性能條件下，我們對每幀的優(yōu)化升級處理設定了?不超過四毫秒?的目標。在低時鐘頻率 GPU 上，推理前后運行的著色器階段共耗時約 ?1.4 毫秒??；诖祟A算，Arm NSS 需控制在約 ?27 GOPs ?以下。而參數(shù)預測的網絡使用約為 ?10 GOPs?，即使神經網絡加速器的效率僅為 40%，這在該范圍內仍綽綽有余。

早期模擬數(shù)據(jù)顯示，Arm NSS 在 1.5 倍優(yōu)化升級(平衡模式)下的運行時間約為 Arm ASR的 75%，而在兩倍優(yōu)化升級(平衡模式)下則預計性能會優(yōu)于 Arm ASR。這一效率提升得益于用簡化的推理過程取代了復雜的啟發(fā)式方法。

即刻利用 Arm NSS 進行構建

Arm NSS 引入了一種由 ML 驅動的時域超級采樣的實用方法。它用經過學習的濾波器和穩(wěn)定性提示取代了人工調優(yōu)的啟發(fā)式方法，并能夠在移動端硬件的實時性限制內運行。

其訓練方法、緊湊架構和利用面向 Vulkan 的 ML 擴展使其兼具高性能和適應性。對于構建神經渲染解決方案的 ML 工程師來說，Arm NSS 是一個可部署、結構良好，且運行于圖形管線內的推理示例。

想要探索 Arm 神經圖形開發(fā)套件，查看示例代碼，并探索網絡結構，請訪問 Arm 開發(fā)者中心的 Arm NSS 頁面。歡迎開發(fā)者使用開發(fā)套件或為自己的內容重新訓練 NSS，并提供反饋，你的見解將有助于塑造移動設備上神經渲染的未來。