HOME 7月17日新闻，英特尔最近开设了一个基于Github的AI的视频质量审查工具 - 计算机图形视觉质量度量标准（CGVQM），该工具旨在提供针对现代游戏和实时渲染图形质量审查的目的标准。该工具以Pytorch应用程序的形式在GitHub中发布，并且还宣布了支持的研究论文“ CGVQM+D：计算机图形和视频质量指示器和数据集”。当前，游戏图片很少以本地框架呈现，它们通常依赖于超级得分技术，例如DLSS，框架生成，可变速率阴影以及其他改善性能和图片质量的方法，但它也会引起各种视觉问题，例如幽灵，忽视，闪烁，jagging和场合。过去，该行业经常通过审查主观和缺乏标准化量工具来描述SA的缺陷SA。根据这所房屋，尽管峰值信噪比之比（PSNR）之类的指标这些方法通常用于测量图像质量，这些方法不适合实时图形渲染。 PSNR主要检查压缩伪像，并且很难完全反映实时图形中图像恶化的复杂失真和质量。 As such, the Intel Research team adopted a two -pronged approach: on the one hand, it built a new video placed - the computer graphics visual dataset (CGVQD), which covers a variety of images of the image damage caused by technologies such as path tracing, neural deenaising, neural supersammpling (like FSR, Xess, DLS),, Gaussian na bumububag, frame interpolation and variable rates of商店；另一方面，基于此数据集，CGVQM AI模型经过专门训练以识别和计算这些失真。研究小组邀请人类观察者将数据集中的视频扭曲水平交配，形成一个“几乎看不见的”和“非常烦人”的知觉基线，然后将AI模型下雨。该模型采用了3D卷积神经网络（3D-CNN），特别基于3D-Resnet-18体系结构。与2D模型相比，3D网络可以同时捕获空间和时间维度的图像特征，以更好地识别视频动态变化引起的图像质量问题。实验表明，CGVQM检查的效果几乎完全超出了现有的类似工具。在Thosethis中，更复杂的CGVQM-5模型仅次于CGVQD数据集中的人类基线标记，CGVQM-2的简单版本也排名第三。更重要的是，CGVQM总体上在隐形视频中表现出很大的功能，使其广泛适用。研究人员还教导说，将来，通过引入变压器网络的体系结构可以进一步提高模型的性能，尽管它将带来增加的计算资源消耗。诸如光流等信息也可以b引入e以优化失真识别。