最近有玩家做了这么一张梗图：PS2平台有三款《侠盗猎车手》（GTA），而 GTA5居然硬是扛起了三代 PlayStation 平台……
恶搞没恶意，搞搞别生气。这张梗图能够传播，也是因为 GTA5 实在是电子游戏领域的常青树：自从2013年在 PS3/Xbox360 平台发布，包括单机和在线模式 DLC 的总销量已经突破1.4亿份……
这边开发公司R星迟迟不发新作，那边电脑游戏平台的CPU/显卡硬件和显示技术已经更新了好几代。因此，GTA5 美化 MOD 也成为了玩家热衷的修改方向。从真实汽车模型，到更大范围的地图和视觉效果修改，多种多样的 MOD 显著增强了 GTA5 的生命力，让这款已经快要10岁的游戏仍能令玩家感到新意。
开发 MOD 的大多是国外大神，因为涉及到违反用户协议的灰色地带，MOD 开发工作通常是个人非营利性质的。不过最近，我们非常诧异地发现：竟然英特尔也在“官方”开发 GTA5 美化 MOD！
↑ 可能略微有点标题党……实际情况是：英特尔实验室耗时多年研发了 EPE (Enhancing Photorealisim Enhancement)，一项基于深度学习卷积神经网络的合成图像逼真性算法。它能够逐帧优化 GTA5 输出的原始画面，配合多种第三方街景数据库，生成不同风格的拟真游戏画面。
最近英特尔实验室 (Intel Labs) 发布了一篇论文，介绍了他们在深度学习图像逼真度提升方面的最新进展。而他们的实验过程，采用的就是 GTA5 的图像。英特尔的研究员设计了一套多模块的卷积神经网络架构，对 GTA5 和第三方城市街景图像库的数据进行学习。
玩家大神制作的 MOD,主要依靠事先调换图形素材、更新渲染引擎、增加光追支持等；而英特尔的思路是：直接用未修改的游戏的原始视频和数据输出，输入到深度学习系统里，实时演算出优化后的图像。
论文作者 Vladlen Koltun 介绍这套系统的工作方式：它可以接入到游戏上，你可以把它理解为 GTA5 的图像后处理系统。
动图：
论文作者之一的 Koltun，是英特尔智慧系统部门的首席科学家。他在欧洲图形学大会 Eurographics 2021 上透露，EPE 算法在英特尔实验室费时两年时间研发，效果此前从未在外部公开过。
“（EPE）属于那种需要长时间投入，几个月内都不会产出结果，研究时长以年为单位的那种研究，”Koltun 表示，“在（图像合成逼真性）的问题上，想要做出一点能拿得出手的结果并不难，找几张效果好的照片，放到论文里就完了；但要发明一种真的能用的方案 (something that really, really works)，是非常艰难的。”
（这工作确实辛苦，但至少论文作者有理由上班时间摸鱼打 GTA5 了 ）
接下来让我们深入了解一下，英特尔实验室的这套 “GTA5 美化 MOD”的具体工作方式。
老“游戏”，新“玩法”
GTA5 已经是一款快10年的老游戏了，但无论是在单机还是在线模式中，玩家总能发明出各种有趣或稀奇古怪的新玩法……
同样，画面美化 MOD 也是一个伴随 GTA5 存在了很多年的领域了，“民间”的技术方向也就那么几种。而这次，英特尔实验室用了新“玩法”，在画面逼真性上实现了前所未有的突破。
EPE 算法的训练原理如下图：
简单来说，EPE 整合了三个独立的神经网络，处理三种不同的数据源：GTA5 自带渲染引擎输出的 buffer 缓冲数据，游戏直出画面，以及第三方街景数据库的图像。
1）GTA5 游戏自带的渲染引擎，能够输出一组名为 G-buffer 的数据，其中包括画面中物体的种类、和玩家视角摄像头之间的距离、表面材质、光滑程度、反照率、光照数据等等。
这些数据，输入到一套卷积神经网络数据流当中，提取出各类数据的遮罩图，用于训练神经网络；然后经过一系列专门设计的残差模块，输出不同规模的张量特征数据。
2）借助前一步的训练结果，训练一个图像增强神经网络，然后把游戏直出画面，输入这个神经网络里，得到增强后的图像：
3）真正的图像翻译工作发生在这一步：游戏直出画面、增强图像，和第三方街景数据库的相似图像，一起输入到一个感知辨别器（神经网络），经过一系列计算，生成感知特征图、标签图，以及相关的插值等数据，最终“翻译”合成为一张图。
这一部分也采用了对抗模型的设计，经过持续的训练，最终输出的图片能够准确还原游戏直出画面当中的物体构成，并且完美转移外部数据库图像的风格。
比如，下图为英特尔实验室用 GTA5 和 Cityscapes 数据库结合生成的画面风格。由于 Cityscapes 的图像数据大多来自于德国，具有独特的画面风格，所以你可以看出来，“美化”出来的结果似乎偏绿，有些阴冷；
并且，由于德国植被更加茂盛，你可以看到 GTA5 里圣安地列斯（原型为洛杉矶）光秃、干燥、偏黄的山丘，渲染出了浓密的绿色植被。
技术创新
根据硅星人的理解，这篇论文提出的图像翻译方法有几个创新之处。
正如前述，传统的 GTA5 美化 MOD 的实现思路，都需要对游戏文件进行重度修改，有可能造成文件损坏，而且很难在多人在线模式下使用，以及也涉及违反游戏使用协议的灰色地带。
而 EPE 的思路不同之处，在于它直接在游戏输出画面的基础上进行美化，不涉及游戏文件修改，也就不违反使用协议。（当然前面也提到，在训练过程中它确实也需要”监听“游戏系统运行时渲染引擎输出的数据。
当然，EPE 也不是第一个采用深度学习思路进行 GTA5 画面优化的技术。
在此之前，UC Berkeley 和 Adobe 研究院共同开发的 CUT (Contrastive Unpaired Translation) ，以及南洋理工大学、UCB、商汤共同开发的 TSIT (Two-Stream Image-to-image Translation) ——这两个算法都是此前世界领先的图像翻译算法。
但至少在 GTA5 上，这两个算法都存在严重的图像失真情况。比如，CUT 在渲染尺寸较小、和周遭环境相对独立的物体（比如树木、告示牌、行人等）时会出现重影，而且时序稳定性不佳；
而 TSIT 算法渲染的结果，会在画面上部的天空区域中出现严重失真，增加一些不存在的植被，
英特尔实验室的科学家认为，这些算法失真的情况，可能是由训练时采用的第三方数据库所导致的。比如摄像头的角度太低导致远景中的树木占满屏幕上部。如下图所示，在 Cityscapes 数据库的很多照片里，植被的区域很大，而通常 GTA5 画面中的植被很小。
甚至在 Cityscapes 数据库中，由于数据采集车上有一个奔驰车标，其它算法在渲染的时候也会误以为这个车标也是道路特征的一部分：
在训练 EPE 的时候，英特尔的团队故意缩小了神经网络的视野范围，让它可以聚焦于画面中特定的物体。EPE 在 GTA5 图像逐帧美化的真实度、时序稳定性等方面达到了目前最先进的水平，显著优于 CUT、TSIT 等基于深度学习的图像到图像翻译算法：
因为算法的设计，它还有一点“即插即用”的感觉，可以接入各种各样的外部数据库，实现不同风格的美化结果。
比如 Mapillary Vistas，是一个来自全世界各地的街景图像数据库，风格更加多样，色彩更鲜明。这种风格也可以通过 EPE 算法翻译到 GTA5 的画面里，效果更加接印象中圣安地列斯的样子：
下图左边为游戏直出画面，右边为采用 Mapillary Vistas 作为目标风格的美化结果，可以看出画面色彩饱和度有很大提升；为了降低游戏渲染压力而在远景加入的迷雾，也得到了优化。
网友评价：什么？这居然不是真的？
5月11日，英特尔实验室把 EPE 的介绍视频发到了 YouTube上。只用了半个月，这个视频的观看量已经超过了270万……
大部分网友评价都是从非专业角度出发的，但都对团队演示的渲染结果表示震惊……
网友 Fat Tabby 留言：如果你给我看这个视频并且跟我说是行车记录仪拍出来的，我应该会相信你。
网友 G Luong 表示：这才是真正的图像拟真。其它所有的画面美化 MOD 其实只是增加反射，并且让每一条路都变得很潮湿而已。
也有好几位眼尖的玩家发现，如果按照 Cityscapes 的风格进行美化，出来的画面风格其实倒是跟 GTA4（设定在 Liberty City，以纽约为原型，风格较为阴暗）。
网友 OK DOK 表示，怪不得当初 GTA4 出来的时候，人们都惊讶于一款游戏居然能如此”真实“。
网友 Cosine 说的很对：没有那么炫酷的反射，没有过饱和的颜色和超高的亮度，才是最”真实“的游戏。
说来有趣，英特尔跟 GTA5 已经是老朋友了——当然，指的不是游戏，而是研究层面。
早在2016年，英特尔实验室和德国达姆施塔特工业大学就在尝试用 GTA5 做自动驾驶方面的研究。当时自动驾驶已经成为新的技术趋势，但出于现实成本等因素，不是所有人都能获得大量真实道路的视觉数据用于研究。
所以英特尔和该大学组建了团队，试图从 GTA5 等游戏中提取接近于真实道路情况的数据，帮助自动驾驶技术训练。他们当时还发布了一篇论文 Playing for Data: Ground Truth from Computer Games——
当年的那个团队里，就有今天这篇 EPE 论文里的 Vladlen Koltun。
所以今天我们可以说，这位英特尔智能系统部门的首席科学家，也是 GTA5 美化 MOD 领域的大神了！
你们说，Koltun 会不会也跟大家一样，焦急等待着R星发布 GTA6 呢？
当然，如果 GTA6 也能用上类似的深度学习图像拟真技术的话，硅星人还是愿意再等一等的……
——转念一想，你们觉得 GTA6 还不发布，会不会真的是因为R星用了某种超级前沿的技术，目前的主机性能——即使是 PS5——都还无法实现？
