Intel принес новый AI -L для измерения качества изображения в играх

Intel выпустила новый инструмент Компьютерная графическая метрика качества визуального качества (CGVQM), который имеет амбиции объективно оценить качество изображения в современных играх, включая влияние таких методов, как масштабирование (DLSS, XESS, FSR), генерация кадров, трактационные пути или нейронное осуждение.

Что делает CGVQM?

Это модель ИИ, которая оценивает качество визуального изображения в режиме реального времени.

Инструмент был доступен для Githube в качестве приложения Pytorch.

Он может определить такие проблемы, как призраки (призрак), вспышка, псевдоним, диск и другие артефакты, которые являются результатом современной визуализации.

Авторы разработали это первое создание обширного видео базы данных – базы данных компьютерного графического визуального качества (CGVQD), которая содержит различные типы дегенерации изображения, типичные для сегодняшних игр. Затем:

Они оставляют человеческих наблюдателей, чтобы оценить меру, в которой эти недостатки видны и критически важны (от «незаметного» до «очень раздражающего»).

На этих данных обучалась 3D-конвертированная нейронная сеть (3D-resnet-8), который научился распознавать и оценивать визуальные ошибки.

В отличие от классических 2D -моделей, 3D -сеть также может воспринимать временной компонент -не только шаблон в отдельных изображениях, но и изменение изображения во времени, например, при сгенерированных изображениях и возвышении.

Модель CGVQM достигла точности близкой человеческой оценки в своей собственной базе данных, а также была конкурентоспособной в других видеоголах. На практике он может служить расширенным инструментом для разработчиков игр, графических компаний или рецензентов, которые хотят объективно измерить качество имиджа различных технологий.

В будущем Intel планирует проверить использование преобразующих архитектур (которые слишком требуют от действий) или интеграции оптического потока для еще более точной оценки.

Как CGVQM, так и база данных свободно доступны в GitHube, поэтому сообщество может дополнительно изучать, проверять и разрабатывать модель. Это все еще в начале, но, возможно, мы постепенно сможем измерить техническое качество в играх, и мы увидим, что авторы работали хорошо и что не так.