Alicia pubblica modelli pretrained per l'upres volumetrico in Houdini

Scarichi i modelli, li metti in scena, alzi la risoluzione dei volumi Pyro 2× o 3×. Se tutto gira, puoi anche addestrare un modello tuo ed esportarlo in ONNX per riusarlo nello stesso SOP. Questo il contenuto del post “ML Volume Upres for Pyro in Houdini” con modelli pretrained e un log di addestramento reale, firmato Alicia e pubblicato il 19 ottobre 2026 sul suo Digital Garden¹.

Il pezzo apre con una disclosure: Codex ha contribuito a ricerca, codice e scrittura. L’autrice conserva misure, casi di fallimento e limiti del lavoro originale¹.

Contesto operativo, tutto tracciato: Houdini 22.0.429 con licenza commerciale su Windows 11, OpenUSD 26.5. Workstation con AMD Ryzen 9 9950X, 64 GB di RAM e NVIDIA RTX 5070 Ti da 16 GB di VRAM. Driver grafico 617.42. I log di training mostrano PyTorch 2.9.0+cu130 con selezione CUDA in un ambiente Python gestito dalla recipe¹.

Workflow, senza giri di parole:

• Setup: usare i nodi pretrained di ML Volume Upres su dati propri e verificare l’inference, con attenzione alla scelta dei campi e all’ambiente di esecuzione su GPU¹.
• Inference: quando serve la GPU, l’autrice specifica DirectML. La voce “Automatic” da sola non prova il provider selezionato¹.
• Training: solo dopo la verifica, avviare un addestramento breve con la recipe nativa¹.
• Export: esportare a ONNX e rieseguire il modello nello stesso SOP per chiudere il ciclo¹.

Risultati documentati: la recipe “billowy-smoke” produce upres 2× e 3× del campo densità rispetto alla simulazione sorgente. Il post mostra un confronto visivo, da sinistra a destra: bassa risoluzione, upres 2×, upres 3×. Non vengono fornite metriche, il riscontro è l’immagine affiancata. Il modello addestrato con la recipe è stato esportato in ONNX ed eseguito di nuovo nello stesso SOP¹.

La sezione “failure” è istruttiva. Gli intoppi riguardano la selezione dei campi, la configurazione dell’ambiente e cosa può dimostrare un run di training breve. L’accento è sulla riproducibilità: indicare esplicitamente il provider di inference quando si usa la GPU, distinguere tra ciò che i log attestano (CUDA nei training) e ciò che l’interfaccia non garantisce di per sé (“Automatic”)¹.

In sintesi operativa, il percorso consigliato resta compatto: provare i nodi pretrained su dati propri, verificare il percorso dati e l’inference, fare un training contenuto con la recipe, poi esportare a ONNX e rieseguire il modello nello stesso SOP. Tutti i passaggi sono stati eseguiti sulla macchina descritta e sono mostrati con evidenza visiva per upres 2× e 3× del campo densità¹.

Nota di metodo che resta: la precisione sul provider di inference non è un dettaglio, è parte della prova. Chiederla e fornirla alza lo standard di documentazione per chi integra modelli ML nelle pipeline di Houdini¹.