3D-графика, сгенерированная с помощью ИИ для выдачи графики дополненной реальности: улучшение визуального повествования с помощью машинного обучения
Ключевые слова:
3D-графика, искусственный интеллект, машинное обучение, дополненная реальность, визуальное повествование, иммерсивность, вовлеченность пользователяАннотация
Исследование посвящено анализу применения ИИ-сгенерированной 3D-графики для улучшения визуального повествования в системах дополненной реальности. Актуальность работы обусловлена стремительным развитием технологий машинного обучения и их интеграцией в различные сферы, включая AR. Цель исследования - оценить потенциал использования ИИ для генерации реалистичной и информативной 3D-графики, способствующей более эффективной передаче контекста и усилению иммерсивности AR-контента. Применены методы анализа научных публикаций, сравнительного анализа существующих подходов и эмпирического тестирования прототипов на выборке из 120 участников. Результаты демонстрируют, что ИИ-модели способны генерировать 3D-объекты, по ключевым параметрам реалистичности не уступающие созданным вручную (p<0.01), при этом обеспечивая прирост скорости разработки AR-контента на 47%. Также выявлено положительное влияние на вовлеченность пользователей (коэффициент корреляции 0.76) и понимание передаваемой информации (на 23% выше контрольной группы, p<0.05). Полученные данные свидетельствуют о значительном потенциале применения ИИ-сгенерированной графики для создания AR-опыта нового уровня. Обсуждаются перспективы развития подхода и его интеграции в существующие пайплайны разработки.
Библиографические ссылки
Aberman K. Learning character-agnostic motion for motion retargeting in 2D // ACM transactions on graphics. 2019. Vol. 38. № 4. pp. 75:1-75:14.
Azuma R. A survey of augmented reality // Presence: teleoperators and virtual environments. 1997. Vol. 6. № 4. рр. 355-385.
Brock A., Donahue J., Simonyan K. Large scale GAN training for high fidelity natural image synthesis // ArXiv:1809.11096 (Cs, Stat). 2019.
Fišer J. StyleBlit: fast example-based stylization with local guidance // Computer graphics forum. 2016. Vol. 35. № 2. pp. 83-91.
Gatys L.A., Ecker A.S., Bethge M. Image style transfer using convolutional neural networks // 2016 IEEE conf. on computer vision and pattern recognition (CVPR). 2016. pp. 2414-2423.
Goodfellow I. Generative adversarial nets // Advances in neural information processing systems. 2014. Vol. 27.
Isola P. Image-to-image translation with conditional adversarial networks // 2017 IEEE conf. on computer vision and pattern recognition (CVPR). 2017. pp. 5967-5976.
Karras T. Progressive growing of GANs for improved quality, stability, and variation // ArXiv:1710.10196 (Cs, Stat). 2018.
Park T. Semantic image synthesis with spatially-adaptive normalization // 2019 IEEE/CVF conf. on computer vision and pattern recognition (CVPR). 2019. pp. 12294-12303.
Sangkloy P. Scribbler: controlling deep image synthesis with sketch and color // 2017 IEEE conf. on computer vision and pattern recognition (CVPR). 2017. pp. 6836-6845.
Wang T.-C. High-resolution image synthesis and semantic manipulation with conditional GANs // 2018 IEEE/CVF conf. on computer vision and pattern recognition. 2018. pp. 8798-8807.
Wang X. ESRGAN: Enhanced super-resolution generative adversarial networks // ECCV Workshops. 2018.
Wang X., Dunston P.S. Comparative effectiveness of mixed reality-based virtual environments in collaborative design // IEEE Transactions on systems, man and cybernetics. Part C. (Applications and reviews). 2011. Vol. 41. № 3. pp. 284-296.
Zhang R. Real-time user-guided image colorization with learned deep priors // ArXiv:1705.02999 (Cs). 2017.
Zhu J.-Y. Unpaired Image-to-Image translation using cycle-consistent adversarial networks // 2017 IEEE Inter. conf. on computer vision (ICCV). 2017. pp. 2242-2251.
