Triton: Practical pre-computed sound propagation for games and virtual reality
Notice bibliographique
Résumé
Triton is a pre-computed wave-based acoustics system recently shipped in the game “Gears of War 4.” Games and VR present exciting new opportunities for virtual acoustics by providing the player with scene-dependent reverberation cues and conveying information about visually occluded areas. Several technical challenges must be met. Scenes containing millions of polygons are common, with mixed indoor-outdoor spaces like broken buildings, courtyards, caves, and rocks. A viable technique must handle this complex visual geometry without users' intervention. The emphasis is on ensuring the resulting auralization is perceptually convincing, varying smoothly on source and listener motion in such scenes. Highly occluded cases with salient paths undergoing multiple edge-diffraction and scattering are common. Computational requirements are quite stringent. A fraction of a single CPU core must be used for acoustic calculations for many tens of moving sources. We discuss how these challenges shape Triton’s design. Pre-computation is used to minimize runtime cost. Wave simulation provides complete automation for complex scene geometry. The produced fields contain billions of responses that take terabytes of memory. A key contribution is compact encoding of this data in less than hundred megabytes: objective room acoustic parameters are approached from a novel perspective to aid in spatial compression. The resulting parametric framework is fast and practical for current games and VR applications. Video demonstrations will be shown.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».