Die TU Wien ent­wi­ckelt neu­ro­nale Netze für eine ein­fa­chere und schnel­lere foto­rea­lis­ti­schere Dar­stel­lung unter­schied­lichs­ter Mate­ria­lien am Computer.

Wenn com­pu­ter­ge­nerierte Bil­der rea­lis­tisch wir­ken sol­len, müs­sen unter­schied­li­che Mate­ria­lien unter­schied­lich dar­ge­stellt wer­den. Der metal­li­sche Schim­mer einer Münze sieht ganz anders aus als der matte Glanz einer Holz­platte oder die leicht durch­sich­tige Haut einer Wein­traube. Um sol­che Mate­ri­al­ef­fekte exakt simu­lie­ren zu kön­nen, braucht es nor­ma­ler­weise viel Erfah­rung und Geduld. Viele ver­schie­dene Para­me­ter müs­sen sorg­fäl­tig jus­tiert wer­den, dazu die War­te­zeit bis der Com­pu­ter das ent­spre­chende Bild berech­net hat.
An der TU Wien wur­den nun Metho­den ent­wi­ckelt, mit denen die­ser Vor­gang viel schnel­ler und ein­fa­cher wird. Eine künst­li­che Intel­li­genz erkennt dabei die gestal­te­ri­schen Wün­sche und schlägt selbst­stän­dig pas­sende Vari­an­ten vor. Basis ist ein neu­ro­na­les Netz, das die gewähl­ten Mate­rial-Para­me­ter in Echt­zeit auf ein vor­ge­fer­tig­tes Pro­be­ob­jekt anwen­det und das kann nun für unter­schied­li­che Nut­zun­gen im Gra­fik­be­reich ein­ge­setzt wer­den – vom Game­de­sign über Film­ani­ma­tion bis zur Architektur-Visualisierung.

Visual Com­pu­ting and Human-Cen­te­red Technoloy
„Nor­ma­ler­weise muss man am Com­pu­ter bis zu hun­dert Para­me­ter hän­disch anpas­sen, damit ein Objekt foto­rea­lis­tisch aus­sieht“, sagt Károly Zsol­nai-Fehér vom Insti­tut für Visual Com­pu­ting and Human-Cen­te­red Tech­no­loy an der TU Wien. „Wenn man ein Bild erzeu­gen will, auf dem viele ver­schie­dene Mate­ria­lien vor­kom­men, ist es sehr her­aus­for­dernd und zeit­auf­wän­dig, für alle eine zufrie­den­stel­lende Lösung zu fin­den“, so Zsol­nai-Fehér weiter.
Der For­scher setzt nun Metho­den der künst­li­chen Intel­li­genz ein, wo der Com­pu­ter zunächst an einem Pro­be­ob­jekt lernt, wie ein bestimm­tes Mate­rial dar­ge­stellt wer­den soll und das dann in ver­schie­de­nen Vari­an­ten anzeigt. Dann folgt der Klick des Men­schen, welche/​s Modell/​e am ehes­ten zum gewünsch­ten Ergeb­nis passt/​en. Nach ein paar Pro­be­run­den hat die künst­li­che Intel­li­genz die phy­si­ka­li­schen Eigen­schaf­ten des gewünsch­ten Mate­ri­als erlernt. „Diese erlern­ten Para­me­ter kön­nen dann ver­wen­det wer­den, um Objekte die­ses Mate­ri­als nun pas­send zu einer bestimm­ten Beleuch­tung in ein belie­bi­ges Bild ein­zu­fü­gen“, erklärt Michael Wim­mer, For­schungs­grup­pen­lei­ter der TU-Wien.

Machine-Lear­ning-Algo­rith­mus plus neu­ro­na­les Netz
Es genügt aber noch nicht, dass sich der Com­pu­ter rasch auf die Wün­sche des Men­schen ein­stellt – es ist auch wich­tig, dass er die Vor­schau­bil­der in jeder Pro­be­runde in mög­lichst kur­zer Zeit prä­sen­tiert. Meis­tens wer­den foto­rea­lis­ti­sche Bil­der gene­riert, indem die Aus­brei­tung von Licht­strah­len phy­si­ka­lisch mög­lichst exakt simu­liert wird. Mit sol­chen phy­sik-basier­ten Metho­den dau­ert das Erstel­len eines Test­bil­des aller­dings jedes Mal einige Minu­ten und bei hun­der­ten Test­bil­dern kann das ent­spre­chend zur ner­ven­auf­rei­ben­den Gedulds­probe werden.
Abhilfe schafft auch hier künst­li­che Intel­li­genz : Zusätz­lich zum Machine-Lear­ning-Algo­rith­mus für die pas­sen­den Para­me­ter, ent­wi­ckelte Károly Zsol­nai-Fehér auch ein neu­ro­na­les Netz, das die jewei­li­gen Mate­rial-Para­me­ter viel rascher auf ein Pro­be­ob­jekt anwen­det als das mit bis­he­ri­gen Com­pu­ter­code mög­lich ist. Wenn nötig kön­nen die Resul­tate des neu­ro­na­len Net­zes danach auch noch auf sehr ein­fa­che Weise ange­passt und ver­fei­nert wer­den und dabei sind auch kom­pli­zierte Mate­ria­lien wie reflek­tie­rende oder dif­fus streu­ende Ober­flä­chen kein Problem.