Accueil > Intelligence artificielle > Comment le Machine Learning rénove les graphismes des vieux jeux vidéo
machine learning graphismes jeux vidéo

Comment le Machine Learning rénove les graphismes des vieux jeux vidéo

L’intelligence artificielle et le Machine Learning offrent aux vieux jeux vidéo une seconde jeunesse. Grâce à la technique de » l’upscaling IA « , il est possible d’améliorer automatiquement leurs graphismes !

Pour beaucoup d’entre nous, les jeux vidéo auxquels nous avons joué enfants comptent parmi les meilleurs souvenirs de nos jeunes années. Malheureusement, en rejouant à ces jeux aujourd’hui, on constate souvent avec tristesse que le poids du temps ne les a pas épargnés. De nombreux jeux vieillissent mal, et les nouveaux écrans haute définition ne font que mettre en lumière tous leurs défauts.

Par chance, il existe une technique appelée  » upscaling  » qui permet d’améliorer les graphismes d’un jeu en complétant les pixels manquants. Par le passé, cette technique nécessitait plusieurs années de travail pour toute une équipe. Désormais, grâce à l’intelligence artificielle, le processus est fortement accéléré.

Certes, il est toujours nécessaire de disposer de compétences techniques, de patience et de connaissances. Toutefois, avec l’aide de l’IA, l’upscaling d’un jeu peut être effectué par une seule personne en quelques semaines seulement.

C’est la raison pour laquelle on assiste depuis quelques mois à une véritable explosion du nombre de jeux rénovés grâce à l’upscaling. Parmi les jeux ayant subi ce traitement, on compte notamment Doom, Half-Life 2, Metroid Prime 2? Final Fantasy VII, GTA Vice City ou même des jeux plus récents comme Mass Effect 2 (2010).

Le Machine Learning permet d’accélérer l’Upscaling des jeux vidéo

 

Concrètement, l’upscaling IA repose sur le Machine Learning et plus précisément sur des algorithmes de type réseau antagoniste génératif (GAN). Ces algorithmes sont entraînés à partir de millions de millions d’images en basse définition, accompagnées à chaque fois de la même image en haute définition. Ceci permet au  » GAN  » d’apprendre à quoi une image basse définition ressemblera en haute définition.

Une partie de l’algorithme tente de créer la transition de l’image basse définition à l’image haute définition, et une autre partie compare le résultat avec les données d’entraînement. Si une différence est visible, le travail du GAN est rejeté. C’est ainsi que l’algorithme progresse au fil du temps.

Contrairement aux techniques d’upscaling traditionnelles, l’algorithme n’a pas besoin de suivre de règles fixées par l’humain. Afin d’accomplir la tâche qui lui est confiée, il crée ses propres règles à partir des données qui lui sont fournies. Le processus est accéléré, et le résultat est amélioré.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Send this to a friend