英特尔近日在 GitHub 开源了一款基于 AI 的质量评估工具 —— 计算机图形当前游戏画面很少以原生帧渲染，普遍依赖 DLSS 等超分技术、帧生成、可变速率着色等手段提升性能与画质，但也由此引发鬼影、闪烁、锯齿、遮挡等各种据了解，尽管压缩评估常用的峰值信噪比等指标可用来衡量画质，但这些方法并不适用于实时图形渲染。PSNR 主要评估压缩伪影，难以全面反映实时图形中的复杂失真与画质劣化。

　　为此，英特尔研究团队采取了双管齐下的策略：一方面，构建了一个全新数据集 —— 计算机图形研究团队邀请人类观察者对数据集中的失真程度进行评级，形成“几乎不可察觉”到“非常恼人”的感知基线，再以此为依据训练 AI 模型。模型采用 3D 卷积神经网络，具体基于 3D-ResNet-18 架构。3D 网络相较于 2D 模型，可同时捕捉空间和时间维度的图像特征，更好识别中动态变化带来的画质问题。

　　实验显示，CGVQM 的评估效果几乎全面超越现有同类工具。其中更复杂的 CGVQM-5 模型在 CGVQD 数据集上，仅次于人类基线评分，简单版 CGVQM-2 也稳居第三。更重要的是，CGVQM 在未见过的中同样展现了良好的泛化能力，使其具备广泛适用价值。

　　研究人员同时指出，未来可通过引入 Transformer 网络架构进一步提升模型性能，尽管这会带来更高的计算资源消耗；也可引入光流等信息以优化失真识别。