Aan de TU Wien (Wenen), neurale netwerken zijn ontwikkeld die het veel gemakkelijker maken om fotorealistische afbeeldingen te maken van een grote verscheidenheid aan materialen.

Als computergegenereerde afbeeldingen er realistisch uit moeten zien, verschillende materialen moeten anders worden gepresenteerd:de metaalglans van een munt ziet er heel anders uit dan de doffe glans van een houten bord of de licht transparante schil van een druif. Het exact simuleren van dergelijke materiële effecten vereist meestal veel ervaring en geduld. Veel verschillende parameters moeten zorgvuldig worden aangepast, dan duurt het even voordat de computer de bijbehorende afbeelding heeft berekend, en dan wordt dezelfde procedure herhaald, totdat het resultaat naar volle tevredenheid is.

Aan de TU Wien (Wenen), er zijn nu nieuwe methoden ontwikkeld die dit proces veel sneller en gemakkelijker maken. Een kunstmatige intelligentie herkent de creatieve verlangens van de ontwerper en stelt autonoom passende voorbeeldafbeeldingen voor. Een neuraal netwerk past de geselecteerde materiaalparameters in realtime toe op een voorbeeldobject. Voor zeer verschillende toepassingen op grafisch gebied, dit is een grote stap voorwaarts - van gamedesign en filmanimatie tot architecturale visualisatie.

Kunstmatige intelligentie in plaats van raytracing

"Meestal moeten we tot honderden parameters handmatig aanpassen om een ​​object er fotorealistisch uit te laten zien, " zegt Károly Zsolnai-Fehér van het Institute for Visual Computing and Human-Centered Technology aan de Technische Universiteit van Wenen. "Als je een afbeelding wilt maken die veel verschillende materialen bevat, het vinden van een volledig bevredigende oplossing is uitdagend en tijdrovend."

Dit is de reden waarom Zsolnai-Fehér, die werkt in het team van Prof. Michael Wimmer, heeft methoden van kunstmatige intelligentie gebruikt. Om de computer te laten leren hoe een bepaald materiaal moet worden weergegeven, verschillende versies van een voorbeeldobject worden weergegeven. Een persoon klikt op de afbeelding die het dichtst bij het gewenste resultaat lijkt. Na een paar oefenrondes, de kunstmatige intelligentie heeft de fysieke eigenschappen van het gewenste materiaal geleerd. "Op die manier verwerft het systeem parameters die vervolgens kunnen worden gebruikt om objecten van dit materiaal in elk beeld in te voegen, passend bij elke specifieke verlichting, ", legt Michael Wimmer uit.

Niet alleen mooi, maar ook snel

Echter, het is niet voldoende dat de computer zich snel aanpast aan de wensen van de menselijke grafisch ontwerper - het is ook belangrijk dat de previewbeelden in elke testronde zo snel mogelijk worden weergegeven. In de meeste gevallen, fotorealistische beelden worden gegenereerd door de voortplanting van lichtstralen zo nauwkeurig mogelijk fysiek te simuleren. Echter, met zulke op fysica gebaseerde methoden, het maken van een testafbeelding duurt enkele minuten. Als de software honderden keren nieuwe testbeelden moet berekenen op zoek naar de optimale parameters, dit wordt al snel een zenuwslopende ervaring voor de betrokken mensen.

Daarom wordt kunstmatige intelligentie ook gebruikt bij het genereren van de voorbeeldafbeeldingen:naast het machine learning-algoritme, die de juiste parameters suggereert, Károly Zsolnai-Fehér heeft ook een neuraal netwerk ontwikkeld, die de respectieve materiaalparameters veel sneller op een monsterobject toepast dan ooit mogelijk is geweest met standaard computercode. Indien nodig, de resultaten kunnen dan op een zeer gebruiksvriendelijke manier worden aangepast en verfijnd.

Zelfs ingewikkelde materialen, zoals reflecterende oppervlakken of troebele schermen, vormen geen probleem voor de neurale netwerken. "Onze aanpak is geschikt voor zowel beginners als professionals, en ik hoop dat het een brede toepassing zal vinden op het gebied van computergraphics, ", zegt Zsolnai-Fehér.

Aandacht trekken in de grafische gemeenschap

De nieuwe methoden werden voor het eerst gepresenteerd op 's werelds grootste en meest prestigieuze computergrafische conferentie SIGGRAPH, die plaatsvond in augustus 2018. "De nieuwe methoden van Károly Zsolnai-Fehér hebben sindsdien veel aandacht getrokken onder computergraphics-professionals, ", zegt onderzoeksgroepleider Michael Wimmer. "De methode is een grote stap voorwaarts voor de grafische gemeenschap." Afbeeldingen die zijn gemaakt met behulp van het nieuwe neurale netwerkschip, zijn nu zelfs gekozen voor de omslag van het officiële SIGGRAPH-conferentierapport.