
Intel تطلق أداةً ذكية لقياس جودة الصورة في الألعاب، ما أهمية ذلك؟
كشفت شركة Intel مؤخرًا عن أداة ذكاء اصطناعي متقدمة، تحمل اسم "مقياس جودة الصورة لرسوميات الحاسوب CGVQM" (اسم معقد دعك منه 😅)، والتي صممتها خصيصًا لقياس جودة الصورة في ألعاب الفيديو بشكلٍ موضوعي ودقيق، وفي الوقت اللحظي real-time.
كيف تعمل هذه الأداة؟

تعتمد الأداة في عملها على نموذج ذكاء اصطناعي من نوع الشبكات العصبية ثلاثية الأبعاد (3D-CNN)، وتحديدًا على معمارية "3D-ResNet-18". هذا النموذج تم تدريبه على قاعدة بيانات ضخمة من الفيديوهات، أعدها باحثو Intel، وتشمل مجموعة واسعة من التشوهات والمشاكل البصرية الناتجة عن تقنيات الـ "Upscaling" مثل الـ DLSS، والـ FSR، والـ XeSS.
ولبناء مقياس موثوق يمكن الاعتماد عليه كمرجع Reference، عرض الباحثون هذه الفيديوهات على مجموعة من المراقبين البشر الذين صنفوا شدة التشوهات البصرية ومدى إزعاجها من "غير محسوس" حتى "مزعج للغاية". استُخدمت هذه التصنيفات كمرجعية لتدريب النموذج، ليتمكن من تقييم الصور والفيديوهات تلقائيًا بطريقة تقارب دقة الإنسان.
بفضل هذه المنهجية، تستطيع الأداة تحديد مجموعة واسعة من عيوب تقنيات الـ "Upscaling"، منها مشكلة "الجوستينج" (مُشكلة فُتات أو بقايا الصورة) مثلًا، ومن ثَم تُعطي تقييمًا عدديًا للصورة.
ما أهمية هذه الأداة؟

أهمية هذه الأداة تكمن في قدرتها على تقديم تقييم موضوعي وعملي لجودة الصورة في ألعاب الفيديو الحديثة، خصوصًا مع انتشار تقنيات الـ "Upscaling" كما قلنا، والتي باتت تُحدث تغييرات كبيرة في شكل الصورة النهائية.
في السابق، كان تقييم جودة الصورة يعتمد غالبًا على ملاحظات شخصية أو على مؤشرات تقنية مثل PSNR (Peak Signal-to-Noise Ration)، وهو مقياس يقارن جودة الصورة أو الفيديو المضغوطة أو المُعدلة مع الجودة الأصلية، لكن مشكلته أنه ليس دقيقًا.
لكن مع أداة Intel الجديدة، بات بإمكان للمطورين والمراجعين وحتى اللاعبين الاعتماد على مقياس رقمي يقترب في دقته من تقييم الإنسان، دون الحاجة لمراجعة كل لعبة يدويًا، وهذا له فوائد كثيرة منها -مثلًا- أن المطورين سيختبرون تقنيات الـ "Upscaling" على الصورة بدقة، مما يجعلهم يعالجون المشاكل قبل حدوثها.
عمومًا؛ الأداة أثبتت تفوقها على معظم الأدوات السابقة عند اختبارها على قاعدة بيانات Intel الخاصة، كما أنها أظهرت قدرة جيدة عند تعميم نتائجها على فيديوهات خارج بيانات التدريب.
تتوفر أداة "CGVQM" اليوم على GitHub، مما يتيح للجميع الاستفادة منها وتطويرها مستقبلًا!
?xml>