Vid TU Wien (Wien), neurala nätverk har utvecklats som gör det mycket lättare att skapa fotorealistiska bilder av en mängd olika material.

Om datorgenererade bilder ska se realistiska ut, olika material måste presenteras på olika sätt:Den metalliska glansen på ett mynt ser helt annorlunda ut än den matta glansen på en träplatta eller det något genomskinliga skalet på en druva. Att exakt simulera sådana materialeffekter kräver vanligtvis mycket erfarenhet och tålamod. Många olika parametrar måste justeras noggrant, sedan tar det ett tag för datorn att beräkna motsvarande bild, och sedan upprepas samma procedur, tills resultatet är helt tillfredsställande.

Vid TU Wien (Wien), nya metoder har nu utvecklats som gör denna process mycket snabbare och enklare. En artificiell intelligens känner igen designerns kreativa önskemål och föreslår självständigt lämpliga exempelbilder. Ett neuralt nätverk tillämpar de valda materialparametrarna på ett provobjekt i realtid. För mycket olika applikationer inom det grafiska området, det här är ett stort steg framåt – från speldesign och filmanimation till arkitektonisk visualisering.

Artificiell intelligens istället för raytracing

"Vanligtvis måste vi manuellt justera upp till hundratals parametrar för att få ett objekt att se fotorealistiskt ut, "säger Károly Zsolnai-Fehér från Institute for Visual Computing and Human-Centered Technology vid Wiens tekniska universitet." Om du vill skapa en bild som innehåller många olika material, att hitta en helt tillfredsställande lösning är utmanande och tidskrävande."

Det är därför Zsolnai-Fehér, som arbetar i teamet av prof. Michael Wimmer, har använt metoder för artificiell intelligens. För att datorn ska lära sig hur man visar ett specifikt material, olika versioner av ett exempelobjekt visas. En person klickar på den bild som ser närmast det önskade resultatet. Efter några träningsrundor, den artificiella intelligensen har lärt sig de fysiska egenskaperna hos det önskade materialet. "På det sättet förvärvar systemet parametrar som sedan kan användas för att infoga objekt av detta material i vilken bild som helst, som matchar någon specifik belysning, " förklarar Michael Wimmer.

Inte bara Pretty, men också snabbt

Dock, det räcker inte att datorn snabbt anpassar sig till den mänskliga grafiska designerns önskemål – det är också viktigt att förhandsgranskningsbilderna i varje testomgång visas så snabbt som möjligt. I de flesta fallen, fotorealistiska bilder genereras genom att fysiskt simulera utbredningen av ljusstrålar så exakt som möjligt. Dock, med sådana fysikbaserade metoder, att skapa en testbild tar några minuter. Om programvaran måste beräkna nya testbilder hundratals gånger på jakt efter de optimala parametrarna, detta blir snart en nervkittlande upplevelse för de inblandade människorna.

Därför används också artificiell intelligens när förhandsgranskningsbilderna genereras:Förutom maskininlärningsalgoritmen, som föreslår lämpliga parametrar, Károly Zsolnai-Fehér har också utvecklat ett neuralt nätverk, som applicerar respektive materialparametrar på ett provobjekt mycket snabbare än vad som någonsin har varit möjligt med standard datorkod. Om nödvändigt, resultatet kan sedan justeras och förfinas på ett mycket användarvänligt sätt.

Även komplicerade material, som reflekterande ytor eller grumliga skärmar, är inte ett problem för de neurala nätverken. "Vår strategi passar både nybörjare och proffs, och jag hoppas att det kommer att hitta bred tillämpning inom området datorgrafik, säger Zsolnai-Fehér.

Väcker uppmärksamhet i grafikgemenskapen

De nya metoderna presenterades för första gången på världens största och mest prestigefyllda datorgrafiska konferens SIGGRAPH, som ägde rum i augusti 2018. "Károly Zsolnai-Fehérs nya metoder har sedan dess väckt stor uppmärksamhet bland datorgrafiker, ", säger forskargruppsledaren Michael Wimmer. "Metoden är ett stort steg framåt för den grafiska communityn." Bilder skapade med hjälp av det nya neurala nätverksskeppet har nu till och med valts ut för omslaget till den officiella SIGGRAPH-konferensrapporten.