[发明专利]用于自适应超采样的样本的基于深度学习的选择

说明书

本公开的发明名称为“用于自适应超采样的样本的基于深度学习的选择”。公开了一种促进用于自适应超采样的样本的基于深度学习的选择的设备。该设备包括一个或多个处理元件，用于：接收包括输入贴片和输入贴片的对应超采样值的训练数据，其中，每个输入贴片包括多个像素；并且基于训练数据来训练机器学习模型以标识像素的所渲染的贴片的超采样的级别。

技术领域

本公开一般涉及数据处理，并且更特定地，涉及用于自适应超采样（adaptivesupersampling）的样本的基于深度学习的选择。

背景技术

当前并行图形数据处理包括被开发成对图形数据执行特定操作的系统和方法，所述特定操作诸如例如线性内插（linear interpolation）、曲面细分（tessellation）、栅格化（rasterization）、纹理映射（texture mapping）、深度测试等。传统上，图形处理器使用固定功能计算单元来处理图形数据；然而最近，已使图形处理器的部分可编程，从而使此类处理器能够支持用于处理顶点数据和片段数据的更广泛种类的操作。

为了进一步提高性能，图形处理器通常实现诸如流水线化（pipelining）的处理技术，其试图遍及图形流水线的不同部分并行处理尽可能多的图形数据。具有单指令多数据（SIMD）或单指令多线程（SIMT）架构的并行图形处理器被设计成最大化图形流水线中的并行处理量。在SIMD架构中，具有多个处理元件的计算机试图同时对多个数据点执行相同的操作。在SIMT架构中，并行线程的群组试图尽可能经常地一起同步执行程序指令以提高处理效率。

附图说明

为了可详细地理解本实施例的上述特征所采用的方式，可通过参考实施例来得到对上文简要概述的实施例的更特定描述，所述实施例中的一些在附图中示出。然而，要注意，附图示出了典型的实施例，并且因此不应被认为是对其范围的限制。

图1是处理系统的框图；

图2A-2D示出了计算系统和图形处理器；

图3A-3C示出了附加的图形处理器和计算加速器架构的框图；

图4是图形处理器的图形处理引擎的框图；

图5A-5B示出了包括在图形处理器核中采用的处理元件的阵列的线程执行逻辑；

图6示出了附加的执行单元；

图7是示出图形处理器指令格式的框图；

图8是附加图形处理器架构的框图；

图9A-9B示出了图形处理器命令格式和命令序列；

图10示出了用于数据处理系统的示例图形软件架构；

图11A是示出了IP核开发系统的框图；

图11B示出了集成电路封装组装件的截面侧视图；

图11C示出了包括连接至衬底（例如，基础管芯）的硬件逻辑小芯片的多个单元的封装组装件；

图11D示出了包括可互换小芯片的封装组装件；

图12是示出了示例片上系统集成电路的框图；

图13A-13B是示出了供SoC内使用的示例图形处理器的框图；

图14示出了根据实施例的机器学习软件栈（software stack）。

图15A-15B示出了示例深度神经网络的层。

图16示出了示例递归神经网络。

图17示出了深度神经网络的训练和部署。

图18是示出分布式学习的框图。

图19是根据本公开的实现的可促进用于自适应超采样的样本的基于深度学习的选择的示例计算系统的框图。

图20A-20B示出了根据本公开的实现的作为示例渲染场景的一部分的像素的示例贴片。