Polyphony Digital 正在为 Gran Turismo 开发一种新的渲染系统，该系统使用神经网络来确定场景中的哪些对象需要绘制，早期结果表明它可以显着提高 PlayStation 5 上的性能。

该系统名为“NeuralPVS”，去年在计算机娱乐开发者大会 (CEDEC) 上的技术演示中详细介绍了该系统。演讲由两位 Polyphony 图形工程师 Yu Chengzhong 和 Hajime Uchimura 发表。

Yu 从东京理科大学毕业后于 2024 年加入 Polyphony Digital，并在 SIGGRAPH 2023 上发表了一篇有关实时体积渲染的技术论文。Hajime 是一位任期较长的工程师，自 2008 年以来一直在该工作室工作，负责 NeuralPVS 旨在改进的大部分现有技术，包括GT7— 当前的预计算遮挡剔除系统。他还致力于游戏的色彩再现系统（特别是车身油漆）以及 Scapes 照片模式的 HDR 图像处理。GTPlanet 读者可能还认出他是工作室的联合主持人基于物理的色调映射SIGGRAPH 2025 的演讲。

该演示文稿最初是用日语提供的，您可以在这里下载原始幻灯片。我们翻译了它并尽可能地消化了技术信息，以帮助确定它对 Gran Turismo 的未来意味着什么。

当然，Polyphony Digital 有着在 CEDEC 和其他学术会议上分享其技术工作的历史，并且它总是提供令人着迷且罕见的幕后观察，了解这个秘密工作室的定制技术的实际工作原理。过去的演讲涵盖的主题包括– Iris – 光线追踪系统用于GT运动，对其电路扫描和课程创建方法和程序性景观生成技术。渲染现在是如何工作的

Gran Turismo 渲染的每一帧都包含数千个对象：建筑物、树木、看台、障碍物、赛道表面以及构成赛道环境的所有其他物体。

但是，在任何给定时刻，这些对象中只有一小部分实际上对玩家可见。有些位于相机后面，有些位于侧面，有些隐藏在场景中其他对象的后面。

绘制所有这些看不见的物体会浪费处理能力。因此，游戏使用称为“剔除”的过程来确定可以跳过哪些对象。剔除效果越好，CPU 和 GPU 要做的工作就越少，这意味着帧速率更稳定，视觉细节的空间可能更大。

GT赛车7目前使用预先计算的剔除系统。在路线发货之前，Polyphony 的工具会从行驶路面上的数千个摄像机位置渲染赛道，记录每个点可以看到哪些物体。这些结果存储为游戏在运行时查找的可见性列表（内部称为“视觉列表”）。

为了保持数据的可管理性，系统使用称为 Voronoi 分区的数学技术将这数千个样本点聚集到一组较小的区域中。在运行时，游戏会确定相机所在的区域，并使用该区域的可见性列表来决定要绘制的内容。

当前系统的不足之处

这种聚类方法有效，但有一些固有的局限性。

区域之间的边界是硬线，这意味着当摄像机从一个区域穿越到下一个区域时，可见度只能以突然、不连续的跳跃方式发生变化。这些边界也不总是与球场的实际几何形状完全对齐，这可能会导致物体在看起来不自然的时刻弹出或弹出。

区域的数量也是一个手动调整参数。数量太少，剔除也太粗糙。太多，数据就会变得难以处理。这是一种平衡行为，必须针对每条轨道重新审视。

神经网络来救援！

NeuralPVS 用神经网络取代了基于区域的查找，神经网络可以学习相机位置和哪些对象应该可见之间的关系。该网络不是捕捉到最近的预先计算区域，而是获取相机的精确坐标并输出场景中每个对象的可见性预测。

结果是平滑、连续的视野，而不是离散区域的拼凑而成。随着相机的移动，对象逐渐进入和退出可见范围，而不是在任意区域边界处打开和关闭。

该方法的灵感来自 NeRF（神经辐射场），这是一种来自研究社区的技术，使用神经网络来表示 3D 场景。Polyphony 团队认识到他们的可见性映射问题（位置输入、可见性输出）具有结构相似的形状，并调整了概念。

每个课程都分为多个区域，每个区域都有自己的小型神经网络。该团队测试了几种网络架构，并最终选择了一种使用傅立叶特征映射的网络架构，该架构在处理输入坐标之前将其映射到更高维的空间。这给出了准确性和速度的最佳平衡。

看地形

演示中更有趣的细节之一是神经网络如何处理当前系统难以充分利用的路线几何形状。

在像艾格峰 Nordwand 这样开阔的球场上，现有的剔除系统几乎没有大型结构可供使用，使得球场自身的地形成为遮挡的主要来源。尽管预先计算的渲染步骤可以检测到山丘和坡道等地形特征何时阻挡特定摄像机位置的可见性，但问题是接下来会发生什么。

当这数千个单独的数据点合并到更广泛的区域时，系统必须保持保守：如果从任何区域内的位置，它会保留在该区域的可见性列表中。一座小山可能会挡住你从一个地点看到建筑物的视线，但如果同一区域的另一个地点可以看到该建筑物，无论如何它都会被绘制。地形隐藏的细节在合并中会丢失。

神经网络不存在这个问题。因为它预测精确的相机坐标而不是广阔区域的可见性，所以它可以在实际重要的精确位置保留地形特征的遮挡效果。

让它变得更快

仅当神经网络足够快地运行每一帧而不影响其所创造的性能增益时，它才对剔除有用。Polyphony 团队通过积极的量化管道解决了这个问题：网络权重从 32 位浮点压缩到 8 位整数，并且手动优化推理代码以在 CPU 上使用 SSE 指令。

量化在保持剔除质量的同时将数据大小平均减少了 260%，优化的推理路径将他们测试的课程中的每个查询时间平均减少到大约 33 微秒。这速度足够快，不会影响框架预算。

所有训练都是在 CPU 上离线完成的（网络足够小，GPU 训练实际上更慢），并且该过程跨集群并行进行。该系统的设计基本上是自动化的，当您为具有 30 多个轨道的游戏构建剔除数据时，这一点很重要。

PS5 基准测试

演示中包含了 PlayStation 5 在艾格峰 Nordwand 和 Grand Valley 两个球场上运行的基准数据。

在 Eiger Nordwand 上，启用 NeuralPVS 后，平均 CPU 帧时间从 3.944 毫秒下降到 3.758 毫秒。GPU 的改进较小（平均 0.026 毫秒），考虑到艾格峰是一个遮挡物相对较少的路线，这是有道理的。收益来自于网络学习使用现有系统忽略的地形特征。

Grand Valley 显示了更为引人注目的结果。CPU 平均值从 4.552ms 下降到 4.256ms，CPU 最大值从 6.378ms 下降到 5.849ms，减少了超过半毫秒。整个过程中 GPU 负载也更加稳定，最大 GPU 时间下降了近 0.1 毫秒。

半毫秒单独听上去可能不算多，但在每帧都有 16.67 毫秒预算的 60fps 渲染管道中，减少 CPU 和 GPU 的时间意味着为其他一切提供更多的空间。这可以转化为屏幕上更多的物体、更好的照明，或者在要求苛刻的场景中更一致的帧节奏。

这对 Gran Turismo 的未来意味着什么

尽管该演示是在去年举行的，但据我们所知，NeuralPVS 尚未上线GT赛车7还没有。

演示者当时明确表示了这一点，表示他们正在“考虑将其引入到未来的产品中”。该措辞是否会以GT7更新，作为未来标题的一部分，或两者兼而有之。当然，即使它确实到达了GT7，如此高技术含量的功能几乎肯定不会在面向公众的补丁说明中公开。

但很明显，该系统已经远远超过了研究阶段。完整的流程已构建完成，并以在真实 PS5 硬件上运行的真实课程为基准，团队将其描述为“几乎全自动”。最后一点很重要：自动化系统比需要每个课程手动调整的系统更容易在大型赛道名单上扩展。

演示文稿还指出，该系统旨在处理近期课程的“高清、高负载模型”。随着 Polyphony 不断添加更详细的环境（无论是GT7或其后继者），渲染预算变得更加紧张。更智能的剔除系统可以在不影响任何视觉效果的情况下挤出额外的性能，这正是让系列的外观和运行方式保持玩家期望的幕后技术。

Polyphony 并不经常公开谈论其技术，因此两位工程师在 CEDEC 上展示这项工作的事实本身就值得注意。这是一个信号，表明该工作室将人工智能辅助渲染视为 Gran Turismo 技术方向的重要组成部分，而不仅仅是一项实验。

查看更多文章中电经济发展中心和复调数字。