Intel wprowadza nowy standard oceny grafiki w grach. Rozpozna renderingi, upscalery i klatkowanie

W świecie współczesnych gier komputerowych, gdzie niemal każda klatka animacji jest wspomagana technologiami upscalingu, generowania klatek czy adaptacyjnego cieniowania, rzetelna ocena jakości obrazu stała się wyjątkowo trudna.

W odpowiedzi na ten problem firma Intel wprowadziła nowe narzędzie: Computer Graphics Visual Quality Metric (CGVQM) – wskaźnik jakości wizualnej grafiki komputerowej, oparty na sztucznej inteligencji. To zaawansowane rozwiązanie ma szansę usprawnić sposób, w jaki mierzymy i oceniamy jakość grafiki w czasie rzeczywistym.

Obiektywna jakość obrazu w nowoczesnym gamingu

W erze technologii takich jak DLSS, FSR czy XeSS, tradycyjne metody oceny obrazu – jak PSNR (szczytowy stosunek sygnału do szumu) – okazują się niewystarczające. Te starsze metryki dobrze sprawdzają się przy analizie kompresji stratnej, lecz nie są przystosowane do radzenia sobie z artefaktami renderowania w czasie rzeczywistym, jak ghosting, aliasing czy migotanie. Intel dostrzegł tę lukę i postanowił stworzyć narzędzie, które łączy naukową precyzję z praktycznym zastosowaniem w dynamicznych środowiskach graficznych.

CGVQM i CGVQD – tandem nauki i praktyki

W ramach prac badawczych Intel opracował dwa kluczowe komponenty:

• CGVQM – sam wskaźnik jakości, działający w oparciu o wytrenowaną sztuczną inteligencję.

• CGVQD (Computer Graphics Visual Quality Dataset) – specjalnie stworzony zestaw danych wideo zawierający szereg przykładów rzeczywistych zniekształceń, typowych dla współczesnych technik renderowania.

Zespół badaczy – Akshay Jindal, Nabil Sadak, Manu Mathew Thomas, Anton Sochenov i Anton Kaplanyan – przeanalizował zniekształcenia wynikające m.in. z neuronowego odszumiania, supersamplingu, interpolacji klatek czy śledzenia promieni. Następnie te dane posłużyły do trenowania modelu AI, który potrafi oceniać jakość obrazu tak trafnie, jak ludzki obserwator.

W służbie graczy i deweloperów

Aby potwierdzić skuteczność swojego podejścia, naukowcy przeprowadzili eksperymenty z udziałem ludzi, którzy oceniali jakość różnych zniekształceń w filmach z gry. Na tej podstawie wytrenowano trójwymiarową sieć konwolucyjną (3D-CNN) w wariantach CGVQM-2 i CGVQM-5, opartą na znanym modelu ResNet-18. Sieć analizowała nie tylko wzorce przestrzenne (2D), ale i czasowe – kluczowe w animacjach gier.

Efekt? Model CGVQM-5 osiągał niemal taką trafność w ocenie jakości obrazu jak ludzie, a uproszczony CGVQM-2 również plasował się w czołówce, wyprzedzając konkurencyjne metryki w testach.

Potencjał i przyszłość

Choć CGVQM już teraz oferuje imponujące możliwości, Intel i autorzy badania wskazują możliwe kierunki rozwoju – m.in. wykorzystanie transformatorowych sieci neuronowych czy danych o przepływie optycznym, co mogłoby jeszcze bardziej zwiększyć dokładność pomiarów. Jak jednak zaznaczają, obecnie wybrano architekturę 3D-CNN ze względu na ograniczenia sprzętowe przy pracy na dużych zbiorach danych.

Co najważniejsze, CGVQM jest już dostępne publicznie na GitHubie jako aplikacja PyTorch, co oznacza, że deweloperzy na całym świecie mogą od teraz korzystać z tego rozwiązania, by poprawiać jakość swoich produktów i transparentnie komunikować poziom wizualny swoich gier.

Obiektywizm przyszłości

Nowe narzędzie Intela wpisuje się w rosnące zapotrzebowanie na obiektywną ocenę jakości obrazu w epoce dynamicznego rozwoju technologii graficznych. W dobie sporów o jakość implementacji upscalerów czy błędy generowania klatek, CGVQM może odegrać kluczową rolę jako bezstronny arbiter.

Z jednej strony to ulga dla graczy, którym zależy na klarowności i spójności wizualnej. Z drugiej – to cenny oręż dla twórców, pozwalający nie tylko diagnozować problemy, ale też dowodzić jakości ich rozwiązań przy pomocy konkretnych, liczbowych wyników.

Czy CGVQM stanie się nowym standardem branżowym? Czas pokaże, ale wiele wskazuje na to, że jest ku temu na dobrej drodze.