Abstract:
La Renderización Neural es un proceso que involucra diferentes técnicas de compu- tación gráfica y Aprendizaje Automático de Máquinas. Estos modelos de redes neuronales son capaces de entender y codificar una escena tridimensional. Se promueve la investiga- ción responsable de la Renderización Neural para su uso académico y cultural, con el ob- jetivo de producir modelos sustentables que puedan ser conservados en menores espacios de almacenamiento. El presente trabajo presenta un Sistema Prototipo de Renderización Neural (SPRN) escalable basado en la nube con tres arquitecturas: (1) TPU VM, (2) TPU Node, (3) TPU Node con GKE. Con un conjunto de datos conformado por imágenes del patrimonio cultural de Puno para evaluar el rendimiento de la CPU, RAM y Tiempo de producción para determinar el perfil más óptimo de Máquina Virtual (VM) y la Arquitec- tura más adecuada, adicionalmente se realizó pruebas de calidad de imagen PSRN y SSIM con los renderizados. Los resultados muestran que el SPRN con arquitectura TPU VM tie- ne una alta capacidad de rendimiento, con una producción de 1960 modelos en 8 días con 10 TPUs. Sin embargo, no es escalable, utiliza una configuración manual, limitando el uso de las TPUs. La arquitectura TPU Node con GKE tiene una mayor escalabilidad con mínimos recursos de VM, sin embargo, reduce la capacidad de producción en un 50% y aumentando el tiempo en un 120%, con una producción de 1440 modelos al día con 100 TPUs. La arquitectura TPU Node tiene un rendimiento similar a la anterior; sin embar- go, no es lo suficientemente escalable. Finalmente, concluimos que la arquitectura TPU VM es adecuada para la producción inmediata y experimental; y TPU Node con GKE es funcional para la producción escalable.
