論文の概要: Deep Learning Techniques for Super-Resolution in Video Games
- arxiv url: http://arxiv.org/abs/2012.09810v1
- Date: Thu, 17 Dec 2020 18:22:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:12:31.928056
- Title: Deep Learning Techniques for Super-Resolution in Video Games
- Title(参考訳): ビデオゲームにおける超解像の深層学習技術
- Authors: Alexander Watson
- Abstract要約: コンピュータ科学者はグラフィカル処理ハードウェアの性能を改善する新しい方法を開発する必要がある。
ビデオ超解像のための深層学習技術は、計算コストの大部分を相殺しながら、高品質なグラフィックスを持つことができる。
- 参考スコア(独自算出の注目度): 91.3755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The computational cost of video game graphics is increasing and hardware for
processing graphics is struggling to keep up. This means that computer
scientists need to develop creative new ways to improve the performance of
graphical processing hardware. Deep learning techniques for video
super-resolution can enable video games to have high quality graphics whilst
offsetting much of the computational cost. These emerging technologies allow
consumers to have improved performance and enjoyment from video games and have
the potential to become standard within the game development industry.
- Abstract(参考訳): ビデオゲームグラフィックスの計算コストは増加し、グラフィックス処理のハードウェアは追いつくのに苦労している。
つまり、コンピュータ科学者はグラフィカル処理ハードウェアの性能を改善する創造的な新しい方法を開発する必要がある。
ビデオ超解像のための深層学習技術は、計算コストの大部分を相殺しながら、高品質なグラフィックスを持つことができる。
これらの新興技術は、消費者がビデオゲームのパフォーマンスと楽しみを改善し、ゲーム開発業界で標準になる可能性を秘めている。
関連論文リスト
- SyDRA: An Approach to Understand Game Engine Architecture [2.5491998280343555]
本稿では,ゲームエンジンアーキテクチャの理解を支援するために,サブシステム依存回復アプローチ(SyDRA)を提案する。
SyDRAはゲームエンジン開発者がゲームエンジンアーキテクチャを理解し、ゲームエンジンの開発に情報を与えるのに役立つ。
我々は,SyDRAにより,設計上の理解や影響分析に関連するタスクを,これらのモデルなしでより少ない時間で,高精度に完了させることができることを示す。
論文 参考訳(メタデータ) (2024-06-08T14:40:29Z) - Neural Rendering and Its Hardware Acceleration: A Review [39.6466512858213]
ニューラルレンダリングはディープラーニングに基づく新しい画像およびビデオ生成手法である。
本稿では,ニューラルレンダリングの技術的意味,主な課題,研究の進歩について概説する。
論文 参考訳(メタデータ) (2024-01-06T07:57:11Z) - Artificial intelligence optical hardware empowers high-resolution
hyperspectral video understanding at 1.2 Tb/s [53.91923493664551]
本研究は,多次元映像理解のためのハードウェアアクセラレーション型集積光電子プラットフォームをリアルタイムに導入する。
この技術プラットフォームは、人工知能ハードウェアと光学的に情報を処理し、最先端のマシンビジョンネットワークを組み合わせる。
このような性能は、類似のスペクトル分解能を持つ最も近い技術の速度を3~4等級で上回る。
論文 参考訳(メタデータ) (2023-12-17T07:51:38Z) - Visual Encoders for Data-Efficient Imitation Learning in Modern Video
Games [13.241655571625822]
現代のゲームにおけるトレーニングエージェントに向けたアタリゲームを超えることは、研究コミュニティの大部分にとって違法に高価である。
大規模ビジョンモデルの研究、開発、オープンリリースの最近の進歩は、コミュニティ全体でこれらのコストの一部を償却する可能性がある。
本稿では, Minecraft, Minecraft Dungeons および Counter-Strike: Global Offensive の典型的な, タスク固有のエンドツーエンドトレーニングアプローチと比較して, 公開可能なビジュアルエンコーダを用いた模倣学習の体系的研究を行う。
論文 参考訳(メタデータ) (2023-12-04T19:52:12Z) - Serious Games in Digital Gaming: A Comprehensive Review of Applications,
Game Engines and Advancements [55.2480439325792]
近年,ユーザを同時に教育し,楽しませる能力によって,真剣なゲームの人気が高まっている。
本稿では,様々なタイプのデジタルゲームの概要を概観し,真剣なゲームジャンルに展開する。
ゲーム開発業界で最も広く使われているゲームエンジンを提示し、Unityのゲームマシンの利点を拡張する。
論文 参考訳(メタデータ) (2023-11-03T09:17:09Z) - Technical Challenges of Deploying Reinforcement Learning Agents for Game
Testing in AAA Games [58.720142291102135]
本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。
ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。
我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
論文 参考訳(メタデータ) (2023-07-19T18:19:23Z) - Real-Time Video Super-Resolution on Smartphones with Deep Learning,
Mobile AI 2021 Challenge: Report [135.69469815238193]
ビデオの超高解像度化は、ビデオ通信とストリーミングサービスの台頭により、モバイル関連で最も重要な問題の一つになっている。
この問題に対処するために、私たちは、エンドツーエンドのディープラーニングベースのビデオ超解解ソリューションを開発することを目的とした、最初のMobile AIチャレンジを紹介します。
提案したソリューションは、あらゆるモバイルGPUと完全に互換性があり、高忠実度の結果を示しながら、最大80FPSのHD解像度でビデオをアップスケールすることができる。
論文 参考訳(メタデータ) (2021-05-17T13:40:50Z) - Applied Machine Learning for Games: A Graduate School Course [0.0]
本稿では,近年の深層学習と強化学習をゲームに応用することに関心を持つ大学院生を対象とした機械学習コースについて述べる。
このコースに入学した学生は、コンピュータビジョン、自然言語処理、コンピュータグラフィックス、人間のコンピュータインタラクション、ロボット工学、データ分析など、さまざまな機械学習技術を適用して、ゲームにおけるオープンな課題を解決する。
論文 参考訳(メタデータ) (2020-11-30T05:46:14Z) - State of the Art on Neural Rendering [141.22760314536438]
我々は,古典的コンピュータグラフィックス技術と深層生成モデルを組み合わせることで,制御可能かつフォトリアリスティックな出力を得るアプローチに焦点をあてる。
本報告は,新しいビュー合成,セマンティック写真操作,顔と身体の再現,リライティング,自由視点ビデオ,バーチャルおよび拡張現実テレプレゼンスのためのフォトリアリスティックアバターの作成など,記述されたアルゴリズムの多くの重要なユースケースに焦点をあてる。
論文 参考訳(メタデータ) (2020-04-08T04:36:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。