Intel phát hành công cụ mới để đo lường chất lượng hình ảnh chơi game

Intel đang tạo điều kiện cho việc đánh giá chất lượng hình ảnh của các trò chơi hiện đại một cách khách quan. Một chỉ số chất lượng video mới, gọi là Chỉ số Chất lượng Hình ảnh Đồ họa Máy tính (CGVQM), đã có sẵn trên GitHub dưới dạng ứng dụng PyTorch. Trong các trò chơi ngày nay, một khung hình thường không được render một cách tự nhiên. Việc sử dụng các công nghệ như DLSS, kỹ thuật tạo khung hình và nhiều hơn nữa có thể gây ra nhiều vấn đề về chất lượng hình ảnh như bóng ma, nhấp nháy, răng cưa và nhiều vấn đề khác.

Chúng ta thường thảo luận về các vấn đề này một cách định tính, nhưng việc gán một thang đo khách quan cho hiệu suất tổng thể của các kỹ thuật trong ngữ cảnh khung đầu ra thì khó hơn nhiều. Các chỉ số như tỷ lệ tín hiệu trên nhiễu cao nhất (PSNR) thường được dùng để định lượng chất lượng hình ảnh trong các đánh giá video, nhưng những đo lường này có giới hạn và có thể bị lạm dụng. Một ví dụ về việc lạm dụng là trong việc đánh giá đầu ra đồ họa thời gian thực bằng PSNR, vốn chủ yếu được sử dụng để đánh giá chất lượng nén mất dữ liệu.

Các hiện tượng nén thường không phải là vấn đề lớn trong đồ họa thời gian thực, vì vậy PSNR không thể phản ánh đầy đủ tất cả các vấn đề tiềm ẩn. Để phát triển công cụ đánh giá chất lượng hình ảnh của đồ họa thời gian thực hiện đại một cách khách quan hơn, các nhà nghiên cứu tại Intel đã áp dụng hai phương pháp, được trình bày trong bài báo "CGVQMD: Computer Graphics Video Quality Metric and Dataset" của Akshay Jindal, Nabil Sadaka, Manu Mathew Thomas, Anton Sochenov và Anton Kaplanyan.

Các nhà nghiên cứu đã tạo ra một tập dữ liệu video mới, gọi là Tập Dữ Liệu Chất Lượng Hình Ảnh Đồ Họa Máy Tính (CGVQD), bao gồm nhiều loại suy giảm chất lượng hình ảnh do các kỹ thuật kết xuất hiện đại. Họ xem xét các biến dạng từ các phương pháp như path tracing, khử nhiễu bằng mạng nơ-ron, siêu mẫu bằng mạng nơ-ron (FSR, XeSS, DLSS), Gaussian splatting, nội suy khung hình và làm sáng thích ứng với tỷ lệ biến đổi.

Thứ hai, các nhà nghiên cứu đã đào tạo một mô hình AI để đánh giá chất lượng hình ảnh, gọi là chỉ số chất lượng hình ảnh đồ họa máy tính (CGVQM), nhằm tính đến nhiều loại biến dạng khác nhau. Việc sử dụng mô hình AI giúp việc đánh giá và xếp hạng chất lượng đồ họa thời gian thực trở nên hiệu quả hơn. Để đảm bảo rằng các quan sát của mô hình AI phù hợp với con người, họ đã trình bày bộ dữ liệu video mới cho một nhóm quan sát viên nhằm tạo ra cơ sở thực tế về mức độ biến dạng mà con người cảm nhận được.

Các quan sát viên được yêu cầu đánh giá các loại biến dạng trong từng video trên thang điểm từ không nhận thấy đến rất khó chịu. Dựa trên cơ sở chất lượng này, các nhà nghiên cứu đã phát triển một mạng nơ-ron để nhận diện các biến dạng, với mục tiêu cạnh tranh được với con người. Họ đã chọn kiến trúc mạng nơ-ron tích chập 3D CNN, sử dụng mạng nơ-ron dư ResNet làm nền tảng cho mô hình đánh giá chất lượng hình ảnh.

Họ đã sử dụng mô hình 3D-ResNet-18 làm cơ sở cho công việc của mình, đào tạo và hiệu chỉnh nó để nhận diện các biến dạng quan tâm. Việc chọn mạng 3D là rất quan trọng để đạt hiệu suất cao trong chỉ số chất lượng hình ảnh, theo tài liệu. Mạng 3D có khả năng xem xét không chỉ thông tin mẫu 2D không gian, như lưới pixel trong khung hình đầu vào, mà còn cả thông tin mẫu tạm thời.

Bài báo cho biết mô hình CGVQM vượt trội hơn hầu hết các công cụ đánh giá chất lượng hình ảnh tương tự, ít nhất là trên tập dữ liệu của các nhà nghiên cứu. Mô hình CGVQM-5 phức tạp đứng thứ hai chỉ sau đánh giá của con người trong bộ video CGVQD, trong khi CGVQM-2 đơn giản hơn đứng thứ ba trong số các mô hình đã thử nghiệm. Các nhà nghiên cứu cũng chỉ ra rằng mô hình của họ không chỉ xác định và định vị các biến dạng trong Tập dữ liệu Chất lượng Hình ảnh Đồ họa Máy tính mà còn có khả năng áp dụng cho các video không thuộc tập huấn luyện của nó.

Đặc điểm có thể tổng quát hóa này rất quan trọng để mô hình trở thành công cụ hữu ích trong việc đánh giá chất lượng hình ảnh từ các ứng dụng đồ họa thời gian thực. Mặc dù các mô hình CGVQM-2 và CGVQM-5 không dẫn đầu trong mọi tập dữ liệu khác, chúng vẫn cạnh tranh mạnh mẽ trong nhiều tập khác nhau. Bài báo mở ra nhiều hướng khả thi để cải thiện phương pháp đánh giá đầu ra đồ họa thời gian thực dựa trên mạng nơ-ron.

Một trong những điểm đáng chú ý là việc sử dụng kiến trúc mạng nơ-ron transformer để cải thiện hiệu suất. Các nhà nghiên cứu cho biết họ chọn kiến trúc 3D-CNN vì yêu cầu tài nguyên tính toán lớn khi sử dụng mạng transformer với tập dữ liệu. Họ cũng để ngỏ khả năng bổ sung thông tin như vector dòng quang để tinh chỉnh việc đánh giá chất lượng hình ảnh.

Mặc dù vẫn đang trong giai đoạn phát triển, nhưng sức mạnh của mô hình CGVQM cho thấy đây là một bước tiến thú vị trong việc đánh giá đầu ra đồ họa thời gian thực. Hãy theo dõi Toms Hardware trên Google News để cập nhật tin tức, phân tích và đánh giá mới nhất. Nhớ nhấn nút Theo dõi.

Nguồn: www.tomshardware.com/video-games/pc-gaming/intel-releases-new-tool-to-measure-gaming-image-quality-in-real-time-ai-tool-measures-impact-of-upscalers-frame-gen-others-computer-graphics-video-quality-metric-now-available-on-github