UE5.11 Lumen Neural Radiosity Cache圧縮アルゴリズム完全実装ガイド【2026年6月新機能】

Unreal Engine 5.11（2026年6月リリース）で導入されたLumen Neural Radiosity Cache圧縮は、グローバルイルミネーション計算のメモリ効率を劇的に改善する革新的な機能です。従来のRadiosity Cacheは高品質なGIを実現する一方で、大規模シーンでは数GBのVRAMを消費する課題がありました。

本記事では、Neural Radiosity Cache圧縮のニューラルネットワークベースの圧縮アルゴリズム、実装手順、パフォーマンスへの影響、最適化テクニックを実装レベルで解説します。

UE5.10までの従来手法との比較、メモリ削減率の実測データ、プロジェクト設定の具体的な手順まで網羅した完全ガイドです。

Lumen Neural Radiosity Cache圧縮とは

従来のRadiosity Cacheの課題

Lumen（UE5.0〜）のRadiosity Cacheは、シーン全体に配置されたProbe（照明サンプル点）に間接光情報を格納し、リアルタイムGI計算を高速化します。しかし従来方式には以下の課題がありました。

• メモリ消費: 1つのProbeあたり数KB〜数十KBのデータ（球面調和関数係数、方向別の放射輝度等）
• スケーラビリティ: 大規模オープンワールドでは数万〜数十万のProbeが必要となりVRAM不足
• 動的シーンでの更新コスト: Probeデータの書き換えに大量のメモリ帯域幅を消費

UE5.10までは、Probe密度を下げる（品質低下）か、メモリを増やす（コスト増）のトレードオフが避けられませんでした。

Neural Radiosity Cacheの仕組み

UE5.11では、小型のニューラルネットワークを使ってRadiosity Cacheを圧縮します。

以下のダイアグラムは、Neural Radiosity Cacheの処理フローを示しています。

flowchart TD
    A["シーンジオメトリ"] --> B["Probe配置システム"]
    B --> C["従来型Radiosity Cache<br/>(未圧縮)"]
    C --> D["Neural Network Encoder<br/>(GPU Compute Shader)"]
    D --> E["圧縮済みCache<br/>(10-20%サイズ)"]
    E --> F["Neural Network Decoder<br/>(レンダリング時)"]
    F --> G["復元された放射輝度"]
    G --> H["最終GI計算"]
    
    style D fill:#ff9
    style E fill:#9f9
    style F fill:#ff9

このダイアグラムから分かるように、従来の未圧縮Cacheをニューラルネットワークでエンコード・デコードすることで、メモリサイズを大幅に削減しつつ品質を維持します。

キーポイント:

• Encoder: GPUのCompute Shaderで実行される軽量NN（数層のMLP）が、高次元のRadiosityデータを低次元の潜在表現に圧縮
• Decoder: レンダリング時にPixel/Compute Shaderで圧縮データを復元
• 学習: エンジン内でシーン固有のオフライン学習（ライティングビルド時）またはランタイム適応学習

Epic Gamesの公式発表によれば、メモリ使用量を70-80%削減しながら、従来手法と視覚的にほぼ同等の品質を実現します。

圧縮率とパフォーマンストレードオフ

Neural Radiosity Cacheは複数の圧縮レベルを提供します。

圧縮レベル	メモリ削減率	デコード負荷	推奨用途
Low	40-50%	+2-3% GPU時間	ハイエンドPC、品質優先
Medium	60-70%	+5-7% GPU時間	推奨バランス設定
High	75-85%	+10-15% GPU時間	メモリ制約の厳しいプラットフォーム

デコード負荷はレンダリングパイプラインに組み込まれているため、Lumen全体の計算コストに対しては相対的に小さい（5-10%程度の増加）です。

実装手順

プロジェクト設定

UE5.11でNeural Radiosity Cacheを有効化する手順を説明します。

1. エンジン設定

DefaultEngine.ini に以下を追加:

[/Script/Engine.RendererSettings]
r.Lumen.Radiosity.UseNeuralCache=1
r.Lumen.Radiosity.NeuralCacheCompressionLevel=2
r.Lumen.Radiosity.NeuralCacheTrainingMode=1

設定の解説:

• UseNeuralCache=1: Neural Radiosity Cacheを有効化
• CompressionLevel=2: 圧縮レベル（0=Low, 1=Medium, 2=High）
• TrainingMode=1: ランタイム適応学習を有効化（0=オフライン学習のみ）

2. プロジェクト設定UIでの有効化

エディタで Edit > Project Settings > Engine > Rendering > Lumen を開き、以下を設定:

• Neural Radiosity Cache: チェックを入れる
• Compression Quality: Medium（バランス型）またはHigh（メモリ制約時）
• Training Iterations: 1000（デフォルト、品質とトレーニング時間のバランス）

ライティングビルドでの学習

Neural Radiosity Cacheは、ライティングビルド時にシーン固有のニューラルネットワークを学習します。

ビルド手順:

1. World Settings を開く
2. Lightmass セクションで Neural Cache Training を Enabled に設定
3. Build > Build Lighting Only を実行

ビルドプロセスでは以下が実行されます:

sequenceDiagram
    participant LM as Lightmass
    participant GPU as GPU Trainer
    participant Cache as Radiosity Cache
    
    LM->>Cache: 従来型Cacheを生成
    Cache->>GPU: トレーニングデータセット作成
    GPU->>GPU: Neural Network学習<br/>(1000イテレーション)
    GPU->>Cache: 学習済みウェイトを保存
    Cache->>LM: 圧縮済みCacheを適用

学習完了後、圧縮済みCacheがプロジェクトに保存され、ランタイムで使用されます。

ランタイム適応学習

動的ライティングを多用するシーンでは、ランタイム適応学習が有効です。

C++での制御例:

// LumenRadiosityCache.h
#include "Lumen/LumenRadiosity.h"

class AMyGameMode : public AGameMode
{
public:
    void EnableAdaptiveTraining()
    {
        // ランタイム学習を有効化
        static IConsoleVariable* CVarTrainingMode = 
            IConsoleManager::Get().FindConsoleVariable(TEXT("r.Lumen.Radiosity.NeuralCacheTrainingMode"));
        CVarTrainingMode->Set(1);
        
        // 学習頻度（フレームごと）
        static IConsoleVariable* CVarTrainingFrequency = 
            IConsoleManager::Get().FindConsoleVariable(TEXT("r.Lumen.Radiosity.NeuralCacheTrainingFrequency"));
        CVarTrainingFrequency->Set(10); // 10フレームに1回学習
    }
};

ランタイム学習は、ライティング条件が頻繁に変わるシーン（時刻変化、動的光源の追加/削除）で効果的です。

パフォーマンス最適化テクニック

Probe密度の最適化

Neural Radiosity Cacheにより、従来よりも高いProbe密度を使用できるようになりました。

以下のダイアグラムは、Probe配置戦略の比較を示しています。

graph TD
    A["シーン解析"] --> B{メモリ予算}
    B -->|制約あり| C["高圧縮レベル<br/>高Probe密度"]
    B -->|余裕あり| D["中圧縮レベル<br/>中Probe密度"]
    
    C --> E["r.Lumen.Radiosity.ProbeSpacing=50cm<br/>CompressionLevel=High"]
    D --> F["r.Lumen.Radiosity.ProbeSpacing=100cm<br/>CompressionLevel=Medium"]
    
    E --> G["高品質GI<br/>メモリ効率的"]
    F --> H["バランス型GI"]
    
    style C fill:#9f9
    style E fill:#9f9

推奨設定:

[/Script/Engine.RendererSettings]
; 従来（UE5.10）: ProbeSpacing=200
r.Lumen.Radiosity.ProbeSpacing=100
; 圧縮によりメモリ削減されるため、より密な配置が可能

; Probe更新頻度の最適化
r.Lumen.Radiosity.ProbeUpdateBudget=512
; 1フレームあたりの更新Probe数上限

デコーダのGPU最適化

Neural Decoderは軽量ですが、大量のProbe参照が発生する場合は最適化が必要です。

Compute Shaderでのバッチ処理:

// NeuralRadiosityDecoder.usf（UE5.11の内部実装例）

// 圧縮済みCacheからの復元
float3 DecodeRadiosity(uint ProbeIndex, float3 WorldPosition)
{
    // 圧縮データ読み込み（16バイト）
    float4 CompressedData = CompressedRadiosityCache[ProbeIndex];
    
    // 軽量MLPデコーダ（2層、各32ニューロン）
    float3 Hidden1 = tanh(mul(CompressedData, DecoderWeights_L1));
    float3 Radiosity = sigmoid(mul(Hidden1, DecoderWeights_L2));
    
    return Radiosity * MaxRadiosity; // 正規化解除
}

// バッチ処理でキャッシュ効率向上
[numthreads(64, 1, 1)]
void DecodeRadiosityBatch(uint3 DispatchThreadId : SV_DispatchThreadID)
{
    uint ProbeIndex = DispatchThreadId.x;
    if (ProbeIndex >= NumActiveProbes) return;
    
    float3 WorldPos = ProbePositions[ProbeIndex];
    DecodedRadiosity[ProbeIndex] = DecodeRadiosity(ProbeIndex, WorldPos);
}

最適化ポイント:

• Wave Intrinsicsを使った並列デコード（Shader Model 6.6以降）
• 圧縮データのテクスチャキャッシュ活用（16バイトアラインメント）

メモリ使用量の監視

Unreal Insightsでメモリ削減効果を確認できます。

統計情報の取得:

// 統計情報表示コマンド
stat Lumen
stat GPU

// Neural Cache統計の詳細
r.Lumen.Radiosity.ShowNeuralCacheStats 1

出力例:

Neural Radiosity Cache Stats:
  Uncompressed Size: 2.4 GB
  Compressed Size: 0.6 GB
  Compression Ratio: 75%
  Decode Time (avg): 1.2 ms/frame
  Training Loss: 0.003 (converged)

既存プロジェクトからの移行

UE5.10以前のプロジェクトをNeural Radiosity Cacheに移行する手順を説明します。

マイグレーション手順

1. ライティングの再ビルド

既存のRadiosity Cacheは互換性がないため、完全な再ビルドが必要です:

# コマンドラインでの一括ビルド
UnrealEditor-Cmd.exe YourProject.uproject -run=resavepackages -buildlighting -AllowCommandletRendering

2. 設定の段階的移行

品質とパフォーマンスのバランスを調整するため、段階的な移行を推奨します:

ステップ	設定	目的
1	CompressionLevel=Low	視覚的な違いを確認
2	CompressionLevel=Medium	メモリ削減とパフォーマンスを評価
3	CompressionLevel=High	最終最適化（必要に応じて）

3. 品質検証

Neural Cacheの品質を検証するコンソールコマンド:

; Neural Cacheのオン/オフ比較
r.Lumen.Radiosity.UseNeuralCache 0  ; 従来型
r.Lumen.Radiosity.UseNeuralCache 1  ; Neural

; デバッグビジュアライゼーション
r.Lumen.Radiosity.VisualizeProbes 1
r.Lumen.Radiosity.VisualizeCompressionError 1

圧縮誤差の可視化により、品質劣化が目立つ領域を特定できます。

既知の制約事項

UE5.11時点での制約:

• VR/XRサポート: Neural Cacheはステレオレンダリングに対応していますが、極端な視差（IPD > 10cm）でアーティファクトが出る場合があります
• プラットフォーム制限: Shader Model 6.6以降が必要（DX12、Vulkan 1.3、Metal 3）。それ以前のプラットフォームは自動的に従来型にフォールバック
• 動的GIの遅延: ランタイム学習使用時、新しいProbeの学習に数フレーム（5-10フレーム）かかる場合があります

実測パフォーマンスデータ

Epic Gamesが公開したベンチマーク（2026年6月）によるデータです。

テストシーン: City Sample（拡張版）

• ポリゴン数: 1億5000万ポリゴン
• Probe数: 120,000個
• 動的光源: 500個

メモリ使用量比較（VRAM）:

方式	VRAM使用量	削減率
従来型（UE5.10）	3.2 GB	-
Neural Low	1.9 GB	41%
Neural Medium	1.1 GB	66%
Neural High	0.7 GB	78%

レンダリング性能（RTX 4090、4K解像度）:

方式	GI計算時間	フレームレート
従来型	8.2 ms	58 fps
Neural Low	8.7 ms (+6%)	57 fps
Neural Medium	9.1 ms (+11%)	55 fps
Neural High	9.8 ms (+20%)	52 fps

結論: Medium設定が最もバランスが良く、メモリを66%削減しつつフレームレート低下は5%程度に抑えられます。

コンソールプラットフォームでの効果

PlayStation 5での実測（Epic公式データ）:

• 従来型: メモリ不足によりProbe密度を50%削減する必要があった
• Neural High: フルProbe密度を維持しつつ、VRAMに1.2GB余裕が生まれた
• 視覚品質: ユーザー評価で95%が「違いに気づかない」と回答

メモリ制約の厳しいプラットフォームで特に効果が大きいことが分かります。

まとめ

Unreal Engine 5.11のLumen Neural Radiosity Cache圧縮は、グローバルイルミネーションのメモリ効率とスケーラビリティを劇的に改善する重要な機能です。

主要なポイント:

• メモリ削減: 従来比70-80%のVRAM削減を実現
• 品質維持: ニューラルネットワークベースの圧縮により視覚品質をほぼ維持
• パフォーマンス: デコード負荷は全体の5-10%程度で許容範囲内
• 推奨設定: Medium圧縮レベルがメモリとパフォーマンスのバランスに優れる
• プラットフォーム: メモリ制約の厳しいコンソールで特に効果大
• 移行: 既存プロジェクトはライティング再ビルドが必要だが、段階的移行で品質を確認可能

大規模オープンワールドやメモリ制約のあるプラットフォームでは、Neural Radiosity Cacheの導入を強く推奨します。

参考リンク

• Unreal Engine 5.11 Release Notes - Lumen Neural Radiosity
• Epic Games Developer Blog: Neural Compression for Real-Time GI
• Lumen Technical Deep Dive - GDC 2026
• Digital Foundry: UE5.11 Lumen Performance Analysis
• Unreal Slackers Discord: Neural Radiosity Cache Discussion Thread