News

Künstliche Intelligenz für bessere Computergrafik

An der TU Wien wurden neuronale Netze entwickelt, mit denen es viel einfacher wird, in kurzer Zeit unterschiedlichste Materialien fotorealistisch am Computer darzustellen.

Kompliziert darzustellen: Spiegelungen und transparente Materialien

1 von 4 Bildern oder Videos

Kompliziert darzustellen: Spiegelungen und transparente Materialien

Ein teils begraster Planet, dessen Kruste auseinanderbricht. Obenauf ein Baum.

1 von 4 Bildern oder Videos

Ein teils begraster Planet, dessen Kruste auseinanderbricht. Obenauf ein Baum.

Bunt gefüllte Flacons, von Kräuterblättern umgeben auf Holzuntergrund.

1 von 4 Bildern oder Videos

Bunt gefüllte Flacons, von Kräuterblättern umgeben auf Holzuntergrund.

Plastiklöffel, mattes und glänzendes buntes Glasgeschirr, Teebeutel in Papier – alles spiegelt sich in der Tischplatte. Großansicht von Foto 1.

1 von 4 Bildern oder Videos

Matt, spiegelnd, glänzend – ein bunter Mix völlig unterschiedlicher Materialien

Matt, spiegelnd, glänzend – ein bunter Mix völlig unterschiedlicher Materialien

Wenn computergenerierte Bilder realistisch wirken sollen, muss man unterschiedliche Materialien unterschiedlich darstellen: Der metallische Schimmer einer Münze sieht ganz anders aus als der matte Glanz einer Holzplatte oder die leicht durchsichtige Haut einer Weintraube. Wer solche Materialeffekte exakt simulieren möchte, braucht normalerweise viel Erfahrung und Geduld. Viele verschiedene Parameter müssen sorgfältig justiert werden, dann muss man jedes Mal warten, bis der Computer das entsprechende Bild berechnet hat – und schließlich kommt der nächste Schritt, solange bis man voll zufrieden ist.

An der TU Wien wurden nun Methoden entwickelt, mit denen dieser Vorgang viel schneller und einfacher wird. Eine künstliche Intelligenz erkennt die gestalterischen Wünsche und schlägt selbstständig passende Varianten vor, ein neuronales Netz wendet die gewählten Material-Parameter in Echtzeit auf ein vorgefertigtes Probeobjekt an. Für ganz unterschiedliche Anwendungen im Grafikbereich ist das ein großer Fortschritt – vom Gamedesign über Filmanimation bis zur Architektur-Visualisierung.

Künstliche Intelligenz statt herumprobieren

„Normalerweise muss man am Computer bis zu hundert Parameter händisch anpassen, damit ein Objekt fotorealistisch aussieht“, sagt Károly Zsolnai-Fehér vom Institut für Visual Computing and Human-Centered Technoloy an der TU Wien. „Wenn man ein Bild erzeugen will, auf dem viele verschiedene Materialien vorkommen, ist es sehr herausfordernd und zeitaufwändig, für alle eine zufriedenstellende Lösung zu finden.“

Daher hat Zsolnai-Fehér, der im Team von Prof. Michael Wimmer forscht, Methoden der künstlichen Intelligenz eingesetzt: Damit der Computer lernt, wie ein bestimmtes Material dargestellt werden soll, wird zunächst ein Probeobjekt in verschiedenen Varianten angezeigt. Ein Mensch klickt an, welche am ehesten zum gewünschten Ergebnis passen. Nach ein paar Proberunden hat die künstliche Intelligenz die physikalischen Eigenschaften des gewünschten Materials erlernt. „Diese erlernten Parameter können dann verwendet werden, um Objekte dieses Materials nun passend zu einer bestimmten Beleuchtung in ein beliebiges Bild einzufügen“, erklärt Michael Wimmer.

Nicht nur hübsch, sondern auch schnell

Es genügt aber noch nicht, dass sich der Computer rasch auf die Wünsche des Menschen einstellt – es ist auch wichtig, dass er die Vorschaubilder in jeder Proberunde in möglichst kurzer Zeit präsentiert. Meistens generiert man fotorealistische Bilder, indem man die Ausbreitung von Lichtstrahlen physikalisch möglichst exakt simuliert. Mit solchen Physik-basierten Methoden dauert das Erstellen eines Testbildes allerdings jedes Mal einige Minuten. Wenn man auf der Suche nach den optimalen Parametern hunderte Male ein neues Testbild berechnen muss, wird das bald zur nervenaufreibenden Geduldsprobe.

Daher kommt auch beim Generieren der Vorschaubilder künstliche Intelligenz zum Einsatz: Károly Zsolnai-Fehér entwickelte (zusätzlich zum Machine-Learning-Algorithmus, der die passenden Parameter vorschlägt) auch noch ein neuronales Netz, das die jeweiligen Material-Parameter viel rascher auf ein Probeobjekt anwendet als das mit bisherigen Computercode möglich ist. Wenn nötig kann man die Resultate des neuronalen Netzes danach auch noch auf sehr einfache Weise anpassen und verfeinern.

Sogar komplizierte Materialien, etwa reflektierende oder diffus streuende Oberflächen sind für die neuronalen Netze kein Problem. „Unser Zugang ist für Anfänger und Profis gleichermaßen geeignet, und ich hoffe, dass er im Bereich der Computergrafik breite Anwendung findet“, sagt Zsolnai-Fehér.

Großes Interesse in der Grafik-Community

Erstmals präsentiert wurden die neuen Methoden bei der weltgrößten und prestigeträchtigsten Computergrafik-Konferenz SIGGRAPH, die im August 2018 stattfand. „Károly Zsolnai-Fehérs neue Methoden sorgen in der Fachwelt seither für großes Aufsehen“, sagt Forschungsgruppenleiter Michael Wimmer. „Die Methode ist eine echte Erleichterung für viele Leute aus dem Grafik-Bereich.“ Bilder, die mit Hilfe der neuen Methode erstellt wurden, zieren nun sogar das Titelbild des offiziellen SIGGRAPH-Konferenzreports.

Hintergrundinformation, öffnet eine externe URL in einem neuen Fenster

Bilderdownload, öffnet eine externe URL in einem neuen Fenster


Kontakt:
Karoly Zsolnai-Feher, MSc
Institut für Visual Computing and Human-Centered Technology
Technische Universität Wien
Favoritenstraße 9-11, 1040 Wien
T: +43-1-58801-18657
karoly.zsolnai@tuwien.ac.at

Prof. Michael Wimmer
Institut für Visual Computing and Human-Centered Technology
Technische Universität Wien
Favoritenstraße 9-11, 1040 Wien
+43 (1) 58801 18687
michael.e193.wimmer@tuwien.ac.at

Aussender:
Dr. Florian Aigner
Technische Universität Wien
PR und Marketing
Resselgasse 3, 1040 Wien
T: +43-1-58801-41027
florian.aigner@tuwien.ac.at