英特尔近期在GitHub上开源了一款名为CGVQM（计算机图形视觉质量指标）的AI工具，旨在为现代游戏和实时渲染图形的画质提供客观的衡量标准。该工具以PyTorch应用形式发布，并配套了研究论文。随着游戏性能优化技术的广泛应用，如DLSS和帧生成，也带来了鬼影、闪烁等视觉问题。传统的PSNR等评估方法难以适用于实时图形渲染。英特尔团队构建了CGVQD数据集，涵盖多种技术引发的画质退化，并基于此训练了CGVQM模型，该模型采用3D卷积神经网络（3D-CNN），能有效识别和量化视频中的动态画质问题，在实验中表现优于现有同类工具，并展现出良好的泛化能力。

🎮 **客观评价游戏画质的AI工具：** 英特尔开源的CGVQM工具，旨在为现代游戏和实时渲染图形提供客观的画质评价标准。它解决了传统主观评价方式的不足，填补了业界缺乏标准化客观量化工具的空白。

💡 **应对现代图形技术的挑战：** 随着DLSS、帧生成等技术在游戏中的广泛应用，虽然提升了性能，但也引入了鬼影、闪烁等视觉问题。CGVQM专门为识别和量化这些由先进图形技术带来的复杂失真而设计。

📊 **基于全新数据集和3D-CNN模型：** 英特尔团队构建了CGVQD数据集，包含了路径追踪、神经超采样等技术引发的多种画质退化。基于此数据集训练的CGVQM模型，采用了3D卷积神经网络（3D-CNN），能够同时捕捉空间和时间维度特征，更准确地识别视频中的动态画质问题。

🚀 **卓越的评估性能和泛化能力：** 实验结果显示，CGVQM的评估效果在多个方面超越了现有同类工具，甚至接近人类基线评分。更重要的是，该模型在处理未见过的新视频时也展现出良好的泛化能力，使其在实际应用中具有广泛的潜力。

🔮 **未来优化方向：** 研究人员提出，未来可通过引入Transformer网络架构或光流信息等方法进一步提升CGVQM的性能，尽管这会增加计算资源消耗，但有望带来更精准的失真识别和画质评估。

IT之家 7 月 17 日消息，英特尔近日在 GitHub 开源了一款基于 AI 的视频质量评估工具 —— 计算机图形视觉质量指标（Computer Graphics Visual Quality Metric，简称 CGVQM），旨在为现代游戏和实时渲染图形的画质评价提供客观衡量标准。该工具已以 PyTorch 应用形式在 GitHub 上发布，同时配套研究论文《CGVQM+D：计算机图形视频质量指标及数据集》也对外公布。

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、遮挡等各种视觉问题。此前业内多通过主观评价描述这些缺陷，缺乏标准化的客观量化工具。

据IT之家了解，尽管视频压缩评估常用的峰值信噪比（PSNR）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，构建了一个全新视频数据集 —— 计算机图形视觉质量数据集（CGVQD），涵盖路径追踪、神经去噪、神经超采样（如 FSR、XeSS、DLSS）、高斯泼溅、帧插值和可变速率着色等技术所引发的多样化画质退化；另一方面，基于该数据集，训练了 CGVQM AI 模型，专门用于识别并量化这些失真。

研究团队邀请人类观察者对数据集中的视频失真程度进行评级，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（3D-CNN），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，更好识别视频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 在未见过的视频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。