MLP
Loss

多层感知机 Multi-Layer Perceptron

一个定制化的、极简的“多层感知机”（Multi-Layer Perceptron, MLP），也就是通常说的全连接神经网络（Fully Connected Network）。

这种网络结构通常用于隐式神经表示（Implicit Neural Representation），类似于NeRF（神经辐射场）的简化版，用于将空间坐标映射为物理属性（这里是光照强度）。

模型规格和实现指南：

1. 模型架构

这是一个非常轻量级的回归（Regression）模型。

  • 模型类型： 全连接神经网络 (MLP / DNN)
  • 输入层 (Input): 3个神经元（对应局部坐标 $X, Y, Z$）
  • 隐藏层 1 (Hidden Layer 1): 4个神经元
  • 激活函数: Leaky ReLU ($\alpha = 0.2$)
  • 隐藏层 2 (Hidden Layer 2): 4个神经元
  • 激活函数: Leaky ReLU ($\alpha = 0.2$)
  • 输出层 (Output): 1个神经元（对应亮度 Luminance）
  • 总参数量： 极少（大约几十个参数），非常适合实时渲染。

2. 代码实现 (PyTorch 示例)

可以使用 PyTorch 编写如下代码：

import torch
import torch.nn as nn

class LightBakingNetwork(nn.Module):
    def __init__(self):
        super(LightBakingNetwork, self).__init__()
        
        # 定义网络结构
        # 输入: 3 (XYZ) -> 隐藏层1: 4
        self.layer1 = nn.Linear(3, 4)
        
        # 隐藏层1: 4 -> 隐藏层2: 4
        self.layer2 = nn.Linear(4, 4)
        
        # 隐藏层2: 4 -> 输出: 1 (Luminance)
        self.output_layer = nn.Linear(4, 1)
        
        # 激活函数: Leaky ReLU (斜率 0.2)
        self.leaky_relu = nn.LeakyReLU(negative_slope=0.2)

    def forward(self, x):
        # 前向传播过程
        x = self.layer1(x)
        x = self.leaky_relu(x)
        
        x = self.layer2(x)
        x = self.leaky_relu(x)
        
        # 输出层通常不加激活函数，或者根据归一化需求加Sigmoid/ReLU
        # 如果光照值必须为正，可以在最后加一个 ReLU
        prediction = self.output_layer(x) 
        return prediction

# 实例化模型
model = LightBakingNetwork()

# 打印模型结构以核对
print(model)

3. 为什么使用这种简单的模型？

应用场景是图形学中的光照探针压缩。

  • 目的： 不是为了“识别”物体，而是为了压缩数据。原本你需要存储成千上万个点的光照数据（占用大量内存），现在你只需要存储这个小网络的几十个参数（Float32），就能算出任意位置的光照。
  • 拟合函数 F(xyz)F(xyz)： 神经网络本质上就是一个函数拟合器。通过训练，这个网络学会了在该 8米 体素内，哪个坐标是亮的，哪个坐标是暗的（比如屋檐下）。
  • Leaky ReLU 的作用： 防止“神经元死亡”问题，且计算极其简单，适合在 GPU Shader 中实时运行。
  • 单通道输出 (Luminance)： 图片提到只输出亮度而不是 RGB。这是为了在极小的网络容量（宽度仅为4）下保证精度。如果输出 RGB，网络需要拟合 3 个值的变化，对于只有 4 个神经元的宽度的网络来说，负担太重，会导致结果模糊。

4. 如何训练（Training）

要得到结果，光有模型是不够的，关键在于数据：

  1. 数据准备 (Offline Baking)： 你需要在渲染软件（如Blender, Unreal, Unity 或自研引擎）中，在这个 8米 的立方体内，密集地采样真实的光照值。
    • Dataset = {(x1,y1,z1,light1),(x2,y2,z2,light2),...}\{ (x_1,y_1,z_1, light_1), (x_2,y_2,z_2, light_2), ... \}
  2. 损失函数 (Loss Function)： 通常使用 MSE (均方误差) 或 L1 Loss，让网络预测的光照值尽可能接近烘焙的真实值。
  3. 过拟合 (Overfitting)： 在这种应用中，过拟合反而是好事。你想让这个网络完全“记住”这个特定体素内的光照分布。

总结

需要的就是一个极其简单的 3层 MLP（多层感知机）。这种技术在游戏工业界（如《使命召唤》或育碧的Irradiance Volume技术）经常被用来做光照数据的压缩和插值。

GPT:

实现要点（简短说明）

网络结构：输入 3 -> 隐藏层 4 -> 隐藏层 4 -> 输出 1（即 3→[4,4]→1）。

激活函数：LeakyReLU(negative_slope=0.2)（与你的文档一致）。

损失函数：MSE（均方误差）。

优化器：Adam，学习率 1e-3（演示用）。

训练数据：示例中我用了一个合成数据集（在 8m 立方体内随机采样 XYZ，并用一个简单规则产生“亮度”标签，包含一个模拟建筑遮挡的 region），以便演示训练流程。请用你烘焙出的真实 (XYZ, GI_Value) 数据替换合成数据进行正式训练。

如何在你本地/生产流程中使用（示例代码片段）

模型定义（和训练时一致）

import torch, torch.nn as nn
class SmallDNN(nn.Module):
    def __init__(self, in_features=3, hidden=4, out_features=1, negative_slope=0.2):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(in_features, hidden),
            nn.LeakyReLU(negative_slope=negative_slope),
            nn.Linear(hidden, hidden),
            nn.LeakyReLU(negative_slope=negative_slope),
            nn.Linear(hidden, out_features)
        )
    def forward(self, x):
        return self.net(x)

# 加载训练好的权重
model = SmallDNN()
state = torch.load("/path/to/small_dnn.pt", map_location="cpu")
model.load_state_dict(state)
model.eval()

# 用烘焙数据预测
import numpy as np
xyz = np.array([[0.2, -1.0, 0.5]], dtype=np.float32)   # 示例
inp = torch.from_numpy(xyz)
with torch.no_grad():
    lum = model(inp).numpy()
print("Predicted luminance:", lum)

训练建议（用于真实烘焙数据）

数据准备：把烘焙器得到的 (XYZ, GI_value) 组织成训练集。建议把 XYZ 标准化（例如把坐标从 [-4,4] 映射到 [-1,1] 或做均值/标准差归一化），GI_value 也可做归一化到 [0,1]（或保持线性，取决于你的后处理）。

数据量：越多越好（尤其要覆盖建筑物内部与外部的不同遮挡区域）。

验证集：保留一部分作为验证集来观察过拟合。

超参调优：如学习率、批量大小、隐藏层宽度（若需要更高精度可尝试增宽到 8、16 等）、训练轮次等。

损失：如果你只关心亮度感知效果，也可以尝试 L1 损失或感知加权损失（视任务而定）。

输出：训练时只预测单通道亮度（如文档所述，不预测 RGB），能增强训练精度。