【课题创新型项目】申报倒计时3天｜2025年CCF-网易雷火联合基金

CCF-网易雷火联合基金由CCF与网易雷火事业群、网易伏羲联合发起，旨在汇聚各方资源优势，强化海内外青年学者间的科研合作，推动人工智能、游戏研发等领域尖端技术产业的进步，加速校企合作和技术成果转化。该基金致力于搭建学术界与产业界的坚实桥梁，吸引更多学者关注与加入，共同促进产学研深度融合。

在第一期申报中，基金评选出8个优秀项目，成果显著。2025年，CCF联合网易以更丰富的经验和资源开启第二期项目申报，聚焦AIGC、具身智能、图形图像渲染等前沿领域，分【课题创新型】和【业务创新型】两大类项目，覆盖更多课题方向，引入灵活多样的申报方式，为青年学者提供全方位支持，助力攻克技术难题，催生开创性科研成果。

【课题创新型】项目，主要是在《课题型主题》指定的研究领域主题下，限定课题场景、任务边界和预期指标，与网易雷火、网易伏羲研究团队开展的研究合作，每个项目资助10万元人民币。

1、模型压缩与优化领域

【课题名称与定义】面向游戏场景的生成式模型压缩方法研究

课题旨在面向游戏场景，结合量化、剪枝、蒸馏等多种手段，在模型大小、推理功耗及系统资源占用受限的情况下，构建可以满足数字内容生成及互动玩法体验的生成式算法模型方案。充分结合硬件显卡、手机厂商的AI算力特性及解决方案，构建小型化的模型部署方案。

关键指标

（1）效果：以云端运行的生成式AI作为基准，端侧效果在基准测试、主观评价及线上A/B测试中对齐原有方案效果；

（2）模型大小：较原始量化后模型缩减50%以上，单模型存储大小不超过800MB；

（3）系统资源占用：计算功耗及显存/内存占用不超过系统的 20%

2、语音技术领域

【课题名称与定义】面向智能对话场景的 LLM 驱动双向流式语音合成系统研究

课题旨在研究构建与LLM深度协同的双向流式TTS系统，实现从文本生成到语音输出的全流程实时交互。核心研究方向包括：

（1）实时文本生成与语音合成：系统能够根据用户输入或上下文实时生成文本，并立即将其转换为语音输出，确保交互的流畅性和实时性。

（2）上下文感知与动态调整：系统能够根据对话上下文、用户反馈等信息动态调整文本生成和语音合成的策略，确保输出的连贯性和自然性。

（3）高效流式处理：系统应具备高效的流式处理能力，能够在低延迟的情况下完成文本生成和语音合成的全流程处理，确保实时交互的流畅性。

关键指标

1）实时性：系统从接收到用户输入到生成语音输出的首包延迟应控制在毫秒级，确保交互的实时性，平均延迟≤200ms；

2）语音质量：生成的语音具有高自然度和清晰度，接近真人语音。语音自然度评分多人主观测听，相对录音MOS不低于-0.2；语音识别WER在公开测试集如Seed-tests上不高于2.5%。

3、群体智能领域

【课题名称与定义】基于深度主动学习的众包场景下的高效人机协同标注（Label Chain）

课题研究方向定义主要为以下几个方面：

（1）研究可靠且高效的模型置信度方案，提高模型自动化标注比例；

（2）研究主动学习与因果推理、持续学习的深度整合，实现主动学习策略效果的在线评估以及策略的自动化更新。

关键指标

在视频切片、人设对话评测、医学图片分类三个场景中，实现自动化标注比例达到50%以上（或与baseline比提升10%以上），相较全人工标注成本降低50%以上，标注数据可用率达到98.5%以上。

4、具身智能领域

【课题名称与定义】面向挖掘机自动装车场景的端到端多模态大模型研究

课题针对挖掘机自动装车的场景，让机器智能决策任务，根据当前传感器输入（相机、激光、IMU、液压压力信息等）-->动作，以实现自动挖土装车任务；

观察：主视角图片、激光（可处理为高程图，即代表周围环境高度的灰度图）、关节角度、关节液压压力；

动作：挖机各个关节下一时刻的目标关节位置或者各个关节的驱动量。

关键指标

为量化模型性能，提出以下多维度评价体系：

（1）核心效率指标：

- 装车效率：单次装满一车任务所需的时间不超过人工平均作业时间（225秒）的120%；

- 满斗率：挖掘装车一铲对应的铲斗满载率，达到人工满斗率的95%；

（2）实时性和安全性：

- 推理速度：端到端延迟（从传感器输入到控制指令输出，要求≤100ms，基于nvidia Jetson Orin算力平台）；

- 安全与可靠性：机械臂与卡车/障碍物的接近距离阈值违规次数，不超过95%的比例；

5、游戏技术、图形与人工智能领域

5.1、角色个性化动作的程序化生成

【课题名称与定义】

课题旨在游戏开发中，研究角色个性化动作的程序化生成技术：

（1）关键骨骼及其自由度抽取，并进行参数归一化编码。观察标准人形骨骼和四足动物骨骼，识别对动作个性化有影响的骨骼参数及其有意义的自由度，例如走路动作可以表现出不同的左右晃动幅度，那么就要识别出不同晃动幅度实际是由哪些骨骼的哪几个参数引起的，将所有动作变种收集到的参数归一化为[0,1]的标准参数，进行编码。

（2）运行时生成有意义的参数。由于不同动作变种可能会提取很多参数，直接采用随机参数显然会导致生成的动作大概率是没有意义的，那么就需要实现一套算法能够针对不同动作生成有意义的参数，这是这个系统的第二个关键问题。通过分析游戏角色的属性、背景故事和玩家行为数据，利用机器学习和算法生成符合角色个性的动作，丰富游戏角色表现力，提升游戏的沉浸感和趣味性，减少人工动作制作的工作量。

关键指标

（1）关键骨骼及其自由度的抽取，以及参数归一化编码的完成情况。

符合预期：完成上述功能开发，骨骼参数选择合理；

超出预期：完成上述功能开发，骨骼参数选择合理，参数数量较合理，参数能够覆盖至少2个动作的个性化需求；

远超预期：完成上述功能开发，骨骼参数选择合理，参数数量较合理，参数能够覆盖至少4个动作的个性化需求。

（2）运行时生成参数功能完成情况。

符合预期：运行时生成参数功能完成，基本能够实现角色个性化动作的程序化生成；

超出预期：运行时生成参数功能完成，基本能够实现角色个性化动作的程序化生成，单个个性化动作生成时间小于5ms；

远超预期：运行时生成参数功能完成，角色个性化动作生成质量高，单个个性化动作生成时间小于1ms。

5.2跨平台按需下载的共享文件系统实现

【课题名称与定义】

课题致力于构建一个跨平台（如 PC、移动端、主机等）的共享文件系统，支持游戏资源的按需下载。

1）跨平台文件系统实现，实现Windows、MacOS、Linux平台上的自定义文件系统。

2）本地文件共享，在上述跨平台文件系统下实现本地文件的数据共享，对于两个不同路径但内容相同的文件，使用两个独立的文件描述符，但共享同一份二进制数据，以此实现本地文件共享功能。

3）文件二进制数据按需下载，部署线上文件数据服务器，支持根据文件描述符下载二进制数据到本地，对于不常用的本地文件，可以在本地只保留文件描述符，不存储文件二进制数据，从而实现文件按需下载功能。

关键指标

（1）跨平台文件系统的完成度，要求实现Windows、MacOS、Linux三个平台自定义文件系统。

符合预期：完成Windows单平台；

超出预期：完成Windows、MacOS两个平台；

远超预期：完成Windows、MacOS、Linux三个平台。

（2）本地共享文件系统的完成情况和运行性能。

符合预期：本地共享文件系统功能完成；

超出预期：本地共享文件系统功能完成，本地文件正常操作耗时不超过NTFS文件系统的30%；

远超预期：本地共享文件系统功能完成，本地文件正常操作耗时达到NTFS文件系统水平。

（3）文件二进制数据按需下载功能的完成情况和并发性能。

符合预期：文件二进制按需下载功能完成，部署单点文件数据服务器，下载时能够跑满服务器带宽；

超出预期：文件二进制按需下载功能完成，部署文件数据服务器集群，能够支持100人的同时访问，跑满服务器带宽；

远超预期：文件二进制按需下载功能完成，部署文件数据服务器集群，能够支持1000人的同时访问，跑满服务器带宽；

（4）实现svn、git、perforce等版本管理软件改造，支持只下载文件描述符，进而节省仓库下载和更新时的带宽消耗。

符合预期：实现svn的改造；

超出预期：实现svn、git的改造；

远超预期：实现svn、git、perforce的改造。

5.3实时渲染下大规模雪崩效果模拟

【课题名称与定义】

课题专注于实时渲染技术在大规模雪崩效果模拟中的应用。研究高效的物理模拟算法和图形渲染技术，实现逼真、流畅的大规模雪崩场景渲染，增强游戏场景的视觉冲击力和沉浸感，为具有冰雪场景的游戏提供高质量的特效支持。

目标：探索MPM等类似算法能否实现实时渲染中高质量雪崩模拟效果

约束：无平台限制支持PC PS5等，平衡性能和效果支持游戏中实时渲染

关键指标

（1）效果：效果尽可能达到冰雪奇缘等类似模拟效果。

（2）参考：

Snow avalanche simulations using the Material Point Method

https://www.youtube.com/watch?v=YQ7e06-MZec

Frozen - A Material Point Method For Snow Simulation (2013) - Advanced CGI snow animation (HD)

https://www.youtube.com/watch?v=1ES2Cmbvw5o

（3）性能：

达到预期：4060显卡 下 消耗小于10MS

超出预期：4060显卡 下 消耗小于5MS

5.4自监督学习的布料解算系统研究

【课题名称与定义】

课题运用自监督学习方法，改进布料解算系统。让系统能够从大量无标签的布料运动数据中学习，自动提取布料物理特性和运动规律，提高布料模拟的准确性和真实感，降低人工设定参数的复杂性，为游戏角色服装、场景布料等模拟提供更高效的解决方案。

目标：研究一套基于自监督学习的布料解算系统，包含训练管线搭建和推理部署。

约束：训练管线基于PC平台，推理部署能够兼容主流硬件平台（PC/主机/移动端）

关键指标

（1）效果：以离线解算作为GroudTruth，不与角色人体发生穿模，能够在一定程度上处理褶皱和自碰撞。

（2）性能

达到预期：1w个三角面，在RTX3070上的推理开销<1ms

超出预期：1w个三角面，在RTX3070上的推理开销<0.2ms

远超预期：1w个三角面，在主流移动平台上的推理开销<1ms

（3）优化

提升模型在不同服装和体型上的泛化能力，或者降低每件服装的重新训练时间，降低美术制作成本。

5.5移动端游戏插帧方案

【课题名称与定义】

课题针对移动端游戏帧率不稳定、画面卡顿的问题，研究有效的插帧方案。通过算法在原始帧之间插入合理的过渡帧，提升游戏画面的流畅度，优化玩家在移动端设备上的游戏体验，同时尽量降低对硬件性能的额外要求。

输入：原生30帧场景渲染结果，可选附加数据（如motion vector、depth buffer等）。

输出：60帧或以上的场景画面，并与UI结合生成最终高帧率结果。

关键指标

（1）功耗优化

达到预期：降低15%~20%应用功耗。

超出预期：降低20%~25%应用功耗。

远超预期：降低25%以上应用功耗。

（2）方案设计

光流法：基于像素运动矢量进行插帧，适用于运动平滑的场景。

深度学习法：利用神经网络预测中间帧，适用于复杂运动场景。

（3）挑战与优化

实时性：确保算法在移动设备上的实时性。

精度：保证插帧后的画面质量接近原生高帧率画面。

功耗：优化算法以减少计算量和功耗。

5.6适用于移动端的 LTC 面光源渲染优化

【课题名称与定义】

课题研究适用于移动端的基于LTC(Lighting Texture Compression)的面光源渲染优化技术。通过改进LTC算法，在保证渲染质量的前提下，降低面光源渲染的计算复杂度，减少移动端设备的能耗和发热，提升游戏画面的光照效果和视觉质量，增强移动端游戏的竞争力。

基准：以Unreal引擎中实现的LTC面光为基准进行优化。

约束：移动端需采用OnePass延迟渲染方案（GBuffer与Lighting中间不能插入会打断OnePass的Raster或ComputePass），光照模型可使用近似的PBR方案。

关键指标

（1）效果：以Unreal中矩形面光为基准，光照能量级别无明显差异，各种角度下无肉眼可见瑕疵。

（2）内存占用：额外内存占用不超过5M。

（3）性能

达到预期：耗时相比基准降低20%。

超出预期：耗时降低25%。

远超预期：耗时降低30%。

（4）优化方向

算法简化：在保证光照效果的前提下，简化LTC计算过程。

硬件加速：利用移动端GPU特性进行优化。

预计算：对部分光照数据进行预计算以减少实时开销。

5.7实时光线追踪下的高性能通用降噪算法研究

【课题名称与定义】

课题聚焦于实时光线追踪技术中的降噪问题，研究高性能通用降噪算法。在保证光线追踪渲染效果的同时，有效降低噪声，提高渲染图像质量，减少渲染时间，提升实时光线追踪技术在游戏开发中的实用性和普及度。

目标：研究一种不受硬件平台限制的通用降噪算法，适用于低采样数下的光追结果。

优先级：优先优化光追反射的降噪效果。

关键指标

（1）效果：降噪后结果接近GroundTruth，无明显抖动或拖影。

（2）性能

达到预期：耗时相比NV Denoiser降低20%。

超出预期：耗时降低35%。

远超预期：耗时降低50%。

（3）研究方向

时空滤波：结合时间与空间信息进行降噪。

机器学习：利用轻量级神经网络进行降噪。

硬件适配：优化算法以适配不同硬件平台。

5.8 ScreenProbe 下的漫反射 / 高光降噪算法研究

【课题名称与定义】

课题基于 ScreenProbe 技术，深入研究漫反射和高光部分的降噪算法。针对游戏渲染中这两个部分的噪声特点，开发专门的降噪方法，提高渲染图像的细节质量，增强游戏画面的真实感，同时优化算法性能，减少对硬件资源的占用。

目标：研究一种高效的降噪算法，适用于ScreenProbe GI结果（Diffuse、Specular）。

约束：算法需不受硬件平台限制，以较低性能代价实现高品质降噪。

关键指标

（1）效果：以GroundTruth为基准，相机剧烈移动时无明显噪点或拖影。

（2）性能

达到预期：耗时在参考基准（一次TAA+一次双边滤波）的150%以内。

超出预期：耗时在参考基准的100%以内。

远超预期：耗时在参考基准的75%以内。

（3）研究方向

相关性优化：利用ScreenProbe采样结果的相关性设计降噪算法。

混合滤波：结合多种滤波技术（如双边滤波、TAA）提升降噪效果。

本基金原则上将面向符合如下条件的国内所有高校及科研院所学者展开：

申请者须是国内高校/科研院所在职的全职教师或研究人员；

优先支持CCF会员申请者；

优先支持博士毕业 10年内的申请者；

申请者须具有博士学位或者研究生指导资格。

【课题创新型】项目依托“CCF-网易雷火联合基金”技术委员会实施项目评审，主要考虑以下方面：

申请项目的作用、意义、创新性、可行性；

申请者（及团队）的学术水平和科研能力；

申请项目与指南的匹配程度；

申请项目是否将结合网易伏羲有灵AOP平台开展相关研究和应用；

2025年CCF-网易雷火联合基金的更多申报细节CCF联合网易在4月16日通过CCF视频号举行宣讲直播，可关注CCF视频号查看课题解析回放。

点击“阅读原文”，下载申报书。