НЕЙРОСЕТИ НАУЧИЛИСЬ УЛУЧШАТЬ ГРАФИКУ В ИГРАХ

Не так давно на просторах сети появились гайды по использованию нейросетей на основе технологии GAN для улучшения качества фотографий и текстур в играх. GAN — технология, которая самостоятельно заменяет оригинальную текстуру на более качественную и детализированную.

Один из самых популярных вариантов этой технологии — нейросеть ESRGAN. Суть ее работы проста: она увеличивает исходное изображение в 2, 4, 8 или 16 раз, а затем на основе самообучения «дорисовывает» картинку и добавляет реалистичные детали.

Однако самообучение нейросетей не идеально и иногда дает сбой, приводя к несущественным багам. Нейросети уже умеют повышать качество текстур, правильно «переводить» разрешение и соотношение сторон до FullHD, использовать современные технологии сглаживания.

Кроме того, алгоритм GAN избавляет мододелов от необходимости вручную заменять текстуры и сохраняет оригинальную стилистику игры, меняя качество, а не форму картинки.

Ремастеринги не нужны?

Если использование алгоритмов нейросетей — операция косметическая, то ремастеринг — работа куда более серьезная.

За последние годы мы получили несколько отличных ремастеров.

В вышедшем недавно ремастере Resident Evil 2 разработчики потрудились над тем, чтобы адаптировать классическую игру под требования современных геймеров.

Capcom переработала оригинал графически: переписала игру на новом движке, использовала живых актеров и захват движений, сделала акцент на создании реалистичной крови и атмосферы мрачности при помощи работы с освещением. Кроме того, разработчики добавили вид от третьего лица, переработали «боевку», расширили локации, увеличили в два раза время прохождения игры.

В отличие от нейросетей, которые решают проблемы исключительно технического характера, подобные ремастеры — чистое творчество. Ремастер — это игра, которую от начала и до конца отполировали вручную: улучшили графику, звук, прокачали визуал, причем затратили на это немалые средства.

Продажи топовых ремастеров и широкий к ним интерес показывают, что люди готовы тратить на это деньги.

GAN-технология сегодня способна лишь повысить качество картинки и добавить деталей к графике. В корне изменить игру нейросети не способны.

Графика после подобных модификаций выглядит симпатично, никуда не пропадает устаревшая физика или полигоны. С этим нейросети пока бороться не умеют. Тем не менее интерес к нейросетям велик, ведь они уже доказали свою полезность. Вероятным здесь кажется сценарий, при котором крупные компании признают эту технологию и научатся включать ее при ремастеринге, ведь самообучающаяся система может избавить разработчиков от монотонной работы.

Об интересе к нейросетям уже объявила Nvidia, которая в 2017 году запустила бету своей программы GameWorks: Materials & Textures по совершенствованию графики на основе машинного обучения. Алгоритм утилиты схож с алгоритмами GAN: он увеличивает разрешение текстур и фотографий в 2 и 4 раза, генерирует на основе фото поверхности из реального мира текстуру в игре, берет текстуру или фотографию и выдает ее органическую вариацию.

В Nvidia рассказали об уже имеющемся опыте применения нейросетей при разработке игр. Совместно с Remedy Entertainment, компания провела серию экспериментов по внедрению системы машинного обучения в процесс написания лицевых анимации. Так, нейросеть взяла базу уже имеющихся анимаций, созданных в Remedy, и, анализируя видео с живым актером, буквально научилась его эмоциям и сгенерировала новые.

Применение этой технологии, таким образом, позволит разработчикам «оживлять» мир вокруг протагониста. Вместо того, чтобы часами работать с актерами и переносить их мимику в игру, разработчики с помощью нейросетей смогут на основе лишь аудиозаписей создавать лицевую анимацию для множества NPC в течение нескольких минут.

По заверениям программистов из Remedy, использование нейросетей поможет сократить на 80% время на создание лицевых анимаций — одного из самых трудоемких и дорогостоящих элементов при разработке игр.

Несмотря на то, что крупные компании стали обращать больше внимания на нейросети, полноценный переход к машинному обучению при разработке игр уже сегодня под вопросом. Однако пока идут эксперименты над нейросетью и видно, что они удачны, это позволяет говорить о том, что процесс внедрения машинного обучения идет и у него есть будущее.

Что же касается работы непосредственно с графикой, то пока моддеры улучшают картинку в современных играх без помощи всяких нейросетей. Удачные результаты моддинга игр нейронными сетями хотя и говорят о перспективах подобной технологии, но более убедительных и прорывных результатов пока нет.

Даже несмотря на заметное улучшение качества картинки, нейронные сети сейчас не могут реально поднять уровень графики в игре. Такие моды убирают размытие текстур, повышают четкость изображения, но модельки продолжают выглядеть угловато. Улучшенная таким образом игра походит просто на прокаченную версию исходника, а не на современный играбельный продукт.

То, что выдает в итоге ремастеринг, очевидно, отличается более глубокой прокачкой графики. Нейросети в этом отношении отстают, внося лишь поверхностные изменения текстур и не более. Тем не менее эксперименты, как те, что проделывали Nvidia и Remedy, демонстрируют большой потенциал технологии, позволяя оптимистично смотреть на ее возможности в будущем.

Говорить о возможностях нейросетей, которые по щелчку мыши научатся превращать старую игру в сверхреалистичное чудо, пока преждевременно. Сегодня они могут прокачивать текстуры в старых играх, в то время как ремастеры продолжат выходить и приносить разработчикам деньги. Наиболее вероятный вариант в близкой перспективе состоит в том, что компании начнут прибегать к помощи машинного обучения, чтобы решать конкретные задачи при разработке игр, минимизируя затраты средств и человеческих усилий на создание того, что уже умеют делать нейронные сети или чему их научат.

Если тебе понравилась статья, то не забудь подписаться, поставить лайк, рассказать о нас друзьям и написать комментарий.

Источник: m.vk.com

Комментарии: