导语:在TU Wien(维也纳),已经开发出神经网络,这使得更容易创建各种材料的照片级真实感图像。如果计算机生成的图像看起来很逼真,则必须以不同的方式呈现不同的材料:硬币的金属光泽看起来与木板的暗淡光泽或葡萄的略微透明的皮肤完全不同。正确模拟这种物质效应通常需要大量的经验和耐心。需要仔细调整许多不同的参数,然后计算机需要一段时间来计算相应的图像,然后重复相同的过程,直到结果完全令人满意。
在TU Wien(维也纳),现在已经开发出新的方法,使这个过程更快更容易。人工智能识别设计师的创作欲望,并自主提出合适的样本图像。甲神经网络应用于所选的材料参数,以在样品物体实时。对于图形领域中非常不同的应用,这是向前迈出的一大步 - 从游戏设计和电影动画到建筑可视化。人工智能而不是光线追踪,“通常我们必须手动调整多达数百个参数,使物体看起来像真实感,”维也纳科技大学视觉计算和人类中心技术研究所的KárolyZsolnai-Fehér说。“如果你想创建一个包含许多不同材料的图像,找到一个完全令人满意的解决方案既具有挑战性又耗时。”
这就是为什么在Michael Wimmer教授团队工作的Zsolnai-Fehér使用了人工智能的方法。为了使计算机学习如何显示特定材料,显示了不同版本的样本对象。一个人点击看起来最接近所需结果的图像。经过几轮练习后,人工智能已经学会了所需材料的物理特性。“通过这种方式,系统可以获取参数,然后可以将这些材料的对象插入到任何图像中,与任何特定的照明相匹配,”Michael Wimmer解释道。
不仅漂亮,而且快速,然而,计算机快速适应人类图形设计者的愿望是不够的 - 每个测试轮次中的预览图像尽可能快地显示也是重要的。在大多数情况下,通过尽可能精确地物理模拟光线的传播来生成照片级真实感图像。但是,使用这种基于物理的方法,创建测试图像需要几分钟。如果软件必须数百次计算新的测试图像以寻找最佳参数,这很快就会成为相关人员的神经兮兮的经历。
因此,在生成预览图像时也会使用人工智能:除了提供适当参数的机器学习算法之外,KárolyZsolnai-Fehér还开发了一个神经网络,它将相应的材料参数应用于样本对象的速度比用标准的计算机代码是可能的。如有必要,可以以非常用户友好的方式调整和改进结果。即使复杂的材料,例如反射表面或浑浊的屏幕,也不是神经网络的问题。“我们的方法适合初学者和专业人士,我希望它能在计算机图形学领域得到广泛应用,”Zsolnai-Fehér说。
总结:这些新方法首次在世界上规模最大,最负盛名的计算机图形会议SIGGRAPH上发布,该会议于2018年8月举行。“KárolyZsolnai-Fehér的新方法引起了计算机图形专业人士的广泛关注,”研究表示。组长Michael Wimmer。“这种方法对于图形社区来说是一个很大的进步。” 使用新神经网络创建的图像现在甚至被选为官方SIGGRAPH会议报告的封面。
举报/反馈