Forscher der Intel Labs haben am Beispiel „Grand Theft Auto V“ gezeigt, wie KI-Games zu einem noch nie dagewesenen Grad an Fotorealismus verhelfen könnte. Ihr Ansatz nutzt echte Stadtbilder, um Algorithmen zu trainieren. So sorgt er unter anderem für realistischere Farben, bessere Reflexionen und für einen ansprechenderen Look des in „GTA V“ doch etwas gar grobkörnig wirkenden Asphalts auf den Straßen. Im Gegensatz zu anderen Ansätzen, die Ähnliches erreichen, vermeidet die neue KI den Forschern nach weitgehend störende Artefakte.
Bilder für Realismus
Das Projekt „Enhancing Photorealism Enhancement“ http://intel-isl.github.io/PhotorealismEnhancement setzt im Prinzip auf Straßenaufnahmen aus bekannten Datenbanken, um der KI zu zeigen, wie echte Straßen aussehen. Diese Idee ist zwar nicht neu, doch bisherige Ansätze hatten immer Probleme. Entweder sie erzeugen Artefakte, etwa Bäume, wo keine hingehören, sie flackern oder sie sind einfach zu langsam für praktische Anwendungen. Das neue System schafft es den Forschern zufolge, sich ausreichend schnell an der virtuellen Szene ähnlichen Bildern zu orientieren, um ohne grobe Fehler für mehr Realismus zu sorgen.
[amazon box=“B07XLMT7GX,B07XTSKC8N“ grid=“2″]Im Prinzip vergleicht das neue System während der Grafikverarbeitung Daten aus dem Grafikpuffer mit ähnlichen Bildausschnitten, um die Verbesserung zu ermöglichen. Eben das begrenzt die Anwendbarkeit der Methode auch. Denn wenngleich es für Straßenabschnitte im Freien mittlerweile viel und oft auch frei verfügbares Bildmaterial gibt, an dem sich die KI orientieren könnte, für Innenräume sieht das anders aus. Daher kann das System zwar dem Cruisen durch die Straßen von San Andreas in „GTA V“ einen realistischeren Look verschaffen, beim Betreten eines Nachtclubs oder einer anderen Location dürfte es aber schnell an seine Grenzen stoßen.
Leider keine Mod
Zwar stellen der Deutsche Stephan Richter und seine internationalen Intel-Kollegen den Code zum Projekt via GitHub bereit. Doch wer sich jetzt auf eine herunterladbare Mod fürs Spiel freut, wird enttäuscht sein. Denn so weit ist der Ansatz noch nicht. Einerseits besteht eben das Innenraum-Problem, andererseits würde man selbst mit einer sehr leistungsstarken Grafikkarte doch noch deutlich merken, dass die Performance leidet.
Allerdings gehen die Forscher davon aus, dass das Maschinenlernen, auf das die Methode beruht, direkt in künftige Generationen von Game Engines verbaut werden könnte. Das sollte den Ansatz effizienter machen. Die aktuelle Arbeit könnte also letztlich tatsächlich ein Einblick in die Zukunft der Games-Grafik sein.
