AI محققین صارف کی تصاویر سے 3D ویڈیو گیم چہرے کے ماڈلز بناتے ہیں۔

ایک چینی گیمنگ کمپنی NetEase کے محققین کی ایک ٹیم نے ایک ایسا نظام بنایا ہے جو خود بخود تصاویر سے چہروں کو نکال سکتا ہے اور تصویری ڈیٹا کے ساتھ ان گیم ماڈل تیار کر سکتا ہے۔ کاغذ کے نتائج، عنوان گیم کریکٹر آٹو تخلیق کے لیے فیس ٹو پیرامیٹر ترجمہتھے Synced on Medium کے ذریعے خلاصہ کیا گیا۔

زیادہ سے زیادہ گیم ڈویلپرز وقت ضائع کرنے والے کاموں کو خودکار کرنے کے لیے AI کا استعمال کرنے کا انتخاب کر رہے ہیں۔ مثال کے طور پر، گیم ڈویلپرز مدد کے لیے AI الگورتھم استعمال کر رہے ہیں۔ تحریکوں کو پیش کریں کرداروں اور اشیاء کا۔ گیم ڈویلپرز کے ذریعہ AI کا ایک اور حالیہ استعمال زیادہ طاقتور کریکٹر کسٹمائزیشن ٹولز بنا رہا ہے۔

کردار کی تخصیص کردار ادا کرنے والی ویڈیو گیمز کی ایک بہت ہی پسندیدہ خصوصیت ہے، جس سے گیم کے کھلاڑیوں کو مختلف طریقوں سے اپنے پلیئر اوتار کو اپنی مرضی کے مطابق بنانے کی اجازت ملتی ہے۔ بہت سے کھلاڑی اپنے اوتار کو اپنے جیسا بنانے کا انتخاب کرتے ہیں، جو کردار کی تخصیص کے نظام کی نفاست کے بڑھنے کے ساتھ زیادہ قابل حصول ہو جاتا ہے۔ تاہم، جیسا کہ یہ کردار تخلیق کرنے والے ٹولز زیادہ نفیس ہوتے جاتے ہیں، یہ بہت زیادہ پیچیدہ بھی ہو جاتے ہیں۔ اپنے آپ سے مشابہت رکھنے والے کردار کو تخلیق کرنے میں سلائیڈرز کو ایڈجسٹ کرنے اور خفیہ پیرامیٹرز کو تبدیل کرنے میں کئی گھنٹے لگ سکتے ہیں۔ NetEase ریسرچ ٹیم کا مقصد ایک ایسا سسٹم بنا کر ان سب کو تبدیل کرنا ہے جو کھلاڑی کی تصویر کا تجزیہ کرتا ہے اور گیم میں کردار پر کھلاڑی کے چہرے کا ماڈل تیار کرتا ہے۔

خودکار کریکٹر بنانے کا ٹول دو حصوں پر مشتمل ہے: ایک نقلی سیکھنے کا نظام اور ایک پیرامیٹر ٹرانسلیشن سسٹم۔ پیرامیٹر ٹرانسلیشن سسٹم ان پٹ امیج سے خصوصیات نکالتا ہے اور سیکھنے کے نظام کے استعمال کے لیے پیرامیٹرز بناتا ہے۔ اس کے بعد ان پیرامیٹرز کو نقلی سیکھنے کے ماڈل کے ذریعے استعمال کیا جاتا ہے تاکہ ان پٹ چہرے کی نمائندگی پر تکراری طور پر پیدا ہو اور اسے بہتر بنایا جا سکے۔

مشابہت سیکھنے کے نظام میں ایک فن تعمیر ہے جو گیم انجن کے مستقل انداز کے ساتھ کریکٹر ماڈل بنانے کے طریقے کو نقل کرتا ہے۔ مشابہت کا ماڈل چہرے کی زمینی سچائی کو نکالنے کے لیے ڈیزائن کیا گیا ہے، جس میں داڑھی، لپ اسٹک، بھنوؤں اور بالوں کے اسٹائل جیسے پیچیدہ تغیرات کو مدنظر رکھا گیا ہے۔ ان پٹ کے مقابلے میں، چہرے کے پیرامیٹرز کو تدریجی نزول کے عمل کے ذریعے اپ ڈیٹ کیا جاتا ہے۔ ان پٹ فیچرز اور تیار کردہ ماڈل کے درمیان فرق کو مسلسل چیک کیا جاتا ہے، اور اس وقت تک ماڈل میں تبدیلیاں کی جاتی ہیں جب تک کہ گیم ماڈل ان پٹ فیچرز کے ساتھ ہم آہنگ نہ ہوجائے۔

نقلی نیٹ ورک کے تربیت یافتہ ہونے کے بعد، پیرامیٹر ٹرانسلیشن سسٹم ان پٹ امیج فیچرز کے خلاف نقلی نیٹ ورک کے آؤٹ پٹس کو چیک کرتا ہے، اور فیچر اسپیس کا فیصلہ کرتا ہے جو چہرے کے بہترین پیرامیٹرز کی گنتی کی اجازت دیتا ہے۔

سب سے بڑا چیلنج اس بات کو یقینی بنانا تھا کہ 3D کریکٹر ماڈل انسانوں کی تصاویر کی بنیاد پر تفصیلات اور ظاہری شکل کو محفوظ رکھ سکیں۔ یہ ایک کراس ڈومین مسئلہ ہے، جہاں 3D تخلیق شدہ تصاویر اور حقیقی لوگوں کی 2D تصاویر کا موازنہ کیا جانا چاہیے اور دونوں کی بنیادی خصوصیات ایک جیسی ہونی چاہیے۔

محققین نے اس مسئلے کو دو مختلف تکنیکوں سے حل کیا۔ پہلی تکنیک ان کی ماڈل ٹریننگ کو دو مختلف سیکھنے کے کاموں میں تقسیم کرنا تھی: ایک چہرے کے مواد کا کام اور ایک امتیازی کام۔ کسی شخص کے چہرے کی عمومی شکل اور ساخت کو دو عالمی ظاہری اقدار کے درمیان فرق/نقصان کو کم سے کم کرکے پہچانا جاتا ہے، جب کہ ایک چھوٹے سے خطے میں سائے جیسی چیزوں کے درمیان ہونے والے نقصان کو کم سے کم کرکے امتیازی/ عمدہ تفصیلات کو پُر کیا جاتا ہے۔ ایک مکمل نمائندگی حاصل کرنے کے لیے سیکھنے کے دو مختلف کاموں کو ایک ساتھ ملا دیا گیا ہے۔

3D ماڈلز بنانے کے لیے استعمال ہونے والی دوسری تکنیک ایک 3D چہرے کی تعمیر کا نظام تھی جو ہڈیوں کی شکل کو مدنظر رکھتے ہوئے ایک مصنوعی ڈھانچے کا استعمال کرتی ہے۔ اس نے محققین کو دوسرے 3D ماڈلنگ سسٹمز کے مقابلے میں بہت زیادہ نفیس اور درست 3D تصاویر بنانے کی اجازت دی جو گرڈ یا چہرے کی میشوں پر انحصار کرتے ہیں۔

ایک ایسے نظام کی تخلیق جو 3D امیجز کی بنیاد پر حقیقت پسندانہ 2D ماڈلز بنا سکتی ہے اپنے طور پر کافی متاثر کن ہے، لیکن خودکار جنریشن سسٹم صرف 2D تصاویر پر کام نہیں کرتا ہے۔ یہ نظام چہروں کے خاکے اور کیریکیچر بھی لے سکتا ہے اور انہیں متاثر کن درستگی کے ساتھ 3D ماڈل کے طور پر پیش کر سکتا ہے۔ تحقیقی ٹیم کو شک ہے کہ یہ نظام 2D حروف کی بنیاد پر درست ماڈل تیار کرنے کے قابل ہے کیونکہ یہ نظام خام پکسل کی قدروں کی تشریح کرنے کے بجائے چہرے کے الفاظ کا تجزیہ کرتا ہے۔

جبکہ آٹومیٹک کریکٹر جنریٹر کو تصاویر کی بنیاد پر کریکٹر بنانے کے لیے استعمال کیا جا سکتا ہے، محققین کا کہنا ہے کہ صارفین کو اسے ایک اضافی تکنیک کے طور پر بھی استعمال کرنے کے قابل ہونا چاہیے اور اپنی ترجیحات کے مطابق تیار کردہ کردار کو مزید ایڈٹ کرنا چاہیے۔