Intel представила инструмент для оценки качества изображения в играх в реальном времени

Восприятие качества изображения в играх часто сильно различается от человека к человеку. Одни не видят разницы между игрой с DLSS в режиме Performance и нативным разрешением, а другие спокойно игнорируют размытость от плохой реализации TAA, пока их друзья буквально лезут на стену. Новый инструмент от Intel призван объективно оценить качество изображения и предоставить разработчикам количественные данные.

Инструмент под названием Computer Graphics Video Quality Metric (CVGM) предназначен для обнаружения и оценки искажений, вызванных современными методами рендеринга, такими как нейросетевое суперсэмплирование (DLSS, FSR, XeSS), трассировка лучей и переменная скорость затенения.

Команда Intel подготовила 80 коротких видеороликов, демонстрирующих различные визуальные артефакты от современных технологий рендеринга. Затем они провели субъективное исследование с участием 20 человек, которые оценивали качество изображения по сравнению с эталонными версиями.

Среди искажений, которые анализирует инструмент: мерцание, эффект «призраков», муаровые узоры, «светлячки» (артефакты трассировки лучей) и размытые сцены. Также учитываются случаи, когда нейросетевая модель полностью неправильно реконструирует изображение.

На основе данных, полученных от участников исследования, была обучена 3D CNN-модель (аналогичная тем, что используются в технологиях улучшения изображения с помощью ИИ). Этот инструмент сравнивает эталонное и искаженное изображения, выявляет ошибки и присваивает общую оценку качества, а также создает карты ошибок с указанием артефактов и их возможных причин.

По словам Intel, их инструмент превосходит существующие метрики в прогнозировании того, как люди воспримут визуальные искажения. Он не только предсказывает, насколько артефакты будут отвлекать игрока, но и наглядно показывает их расположение в кадре. Разработчики надеются, что CVGM поможет оптимизировать баланс между качеством и производительностью при использовании апскейлеров, а также улучшит обучение алгоритмов шумоподавления.

«Неважно, тренируете ли вы нейросетевые рендереры, тестируете обновления движка или новые методы апскейлинга — наличие метрики, соответствующей человеческому восприятию, дает огромное преимущество», — заявили в Intel.