天美技术中心TA专家：如何用AI辅助数字内容生产，提升品质效率？( 二 ) 以下文章来源于TiMiClub天美俱乐

为了增加大世界的丰富性和多样性，我们会增加内容，同时也需要增加相应的内容生成规则或者参数配置。此外，新增内容还要和原有内容的生成规则做整合，这也就导致了内容越丰富，生成规则就越复杂，扩展迭代和维护的成本就越高的困境。
举例来说，游戏主角的动作系统通常采用动作状态机去过渡和混合，来模拟人类的动作，但是人的动作非常丰富而且需要随机应变，所以我们需要使用数量庞大的动作状态机， AAA游戏一个主角的动画系统就可能包括主角在不同状态下的十几个子系统，每个子系统下面都有上千个状态机和动画节点，层层嵌套，动画师要搞清楚每个部分的动画效果实现，是非常费时费力的，这导致制作和维护都非常麻烦。
面对以上两大挑战， AI算法的辅助能够帮助解决数字内容设计和生产环节的问题，进一步提高游戏数字内容设计和生产的效率和品质，这也是我今天希望分享的“黑科技” 。
用我们的一项研究工作为例。最近我们在做城市建筑和基础设施的数字化场景生成工具，首先团队要对城市建筑进行模块化拆分，准备好大量可复用的模块化墙体资源，这些墙体模组资源包括不同尺寸、建筑风格和类型、结构、材质、颜色等等，使用者可根据实际街景图或者场景建筑原画，选取合适的墙体模组，拼装出建筑和街区。

文章图片
我们研发的模块化建筑工具
这个过程是比较费时费力的：我们会使用地理数据来定义建筑的轮廓线，高度等参数。建筑的形体出来以后，接下来我们要从庞大的墙体模组资源库中选择每个墙体模组，这些墙体模组的建筑风格和材质颜色都不一样。
例如，有些墙体模组有两个方形窗户，有些墙体模组有一个入户大门，使用者需要参照街景图到墙体模组资源库中找到对应风格、结构、材质、颜色都合适的墙体模组，逐个手工指定，这个过程通常需要消耗大量的时间和精力。

文章图片
可用于城市建筑和道路生成的地理数据示例
为了提升效率，后来我们尝试利用计算机视觉和深度学习，去识别街景图得到所需的参数。
我们首先截取了大量包含各种建筑风格和材质颜色的建筑街景图，剔除掉一些不适合深度学习算法的图片，例如建筑造型奇特的，施工装修被脚手架遮挡的，被藤蔓覆盖的等等，再把剩余合适的街景图片标注建筑风格和材质颜色，例如有些标注为罗马式建筑，有些标注为新古典主义建筑，有些标注为白色大理石材质，有些标注为红色砖墙材质等等。
接下来，把这些标注好的街景图片进行机器学习， AI算法会找到标注标签和街景建筑图片之间的规律，学习完成后，我们把建筑街景图输入进去， AI就能得出这张街景图中的建筑风格[2]和材质颜色等参数。

文章图片
用于机器学习的建筑街景图
然后建筑工具就可以利用AI得出的这些参数，找到墙体模组资源库中相应的墙体模组，从而还原出高品质的建筑。
在计算机视觉和深度学习的辅助下，到此为止的所有工作都是程序可以自动完成的。在此基础上，美术人员只需做少量的手动调整和加工，制作效率也因此被大大提高了。
再举一个室内建筑的例子。很多游戏有大量的室内场景需要关卡设计师和美术师设计室内房型布局，摆放家具，同样也非常费时费力。