Анализ влияния масштаба экспертных оценок на точность работы нейросетевой модели оценки качества трехмерного рендера с динамическим маскированием весов : доклад, тезисы доклада
доклад, тезисы доклада, статья из сборника материалов конференций
Библиографическое описание:Анализ влияния масштаба экспертных оценок на точность работы нейросетевой модели оценки качества трехмерного рендера с динамическим маскированием весов : доклад, тезисы доклада / М. М. Фарафонов. - [Б. м. : б. и.], 2026. - Текст : непосредственный // Достижения науки и технологий (ДНиТ-V-2026) : сборник научных статей по материалам V Всероссийской (национальной) научной конференции. - Красноярск, 2026. - С. 84-90. - ISBN 9785605323549.
Аннотация:При оптимизации работы трехмерного рендер-конвейера возникает необходимость в оценке качества итогового рендера с точки зрения пользователя. Оценка качества может быть смоделирована в виде функции полезности из задачи о квадратичном рюкзаке, в основе которой лежит матрица попарной ценности предметов - в данном случае, графических шейдеров. Процесс оценивания моделируется при помощи нейросети с динамическим маскированием весов, которая учится предсказывать оценку качества путем изучения матрицы ценностей используемых шейдеров. При этом экспертные оценки, используемые для обучения, могут лежать в различных границах, что оказывает непосредственное влияние на итоговую точность. Таким образом, в настоящей работе представлено сравнение точности работы нейросетевой модели оценки качества рендера при различных масштабах оценок. В ходе экспериментов на синтетических данных были рассмотрены наборы с оценками в пределах [-1, 1], [-10, 10], [-100, 100] и [-1000, 1000]. Путем обучения 10 моделей на кросс-валидации были получены результаты, показывающие, что лучшая точность предсказаний общей оценки качества достигается при масштабе оценок [-1, 1], а лучшая точность изучения матрицы ценностей может быть получена при масштабах [-10, 10] или [-100, 100].
When optimising the performance of a three-dimensional render pipeline, it is necessary to evaluate the quality of the final render from the user's point of view. Quality assessment can be modelled as a utility function from the quadratic knapsack problem, which is based on a matrix of pairwise values of items - in this case, graphics shaders. The evaluation process is modelled using a neural network with dynamic weight masking, which learns to predict quality by studying the value matrix of the shaders used. At the same time, the expert evaluations used for training can lie within different boundaries, which has a direct impact on the final accuracy. Thus, this paper presents a comparison of the accuracy of a neural network model for evaluating render quality at different rating scales. During experiments on synthetic data, sets with ratings within the ranges [-1, 1], [-10, 10], [-100, 100], and [-1000, 1000] were considered. By training 10 models on cross-validation, results were obtained showing that the best accuracy of overall quality prediction is achieved at a rating scale of [-1, 1], and the best accuracy of studying the value matrix can be obtained at scales of [-10, 10] or [-100, 100].
