基于生成式框架的游戏画质增强研究

课题背景： 以 Diffusion in Transformer (DiT) 为代表的生成式架构，凭借其强大的建模能力与全局感知特性，可以为游戏画质带来了从“插值修复”向“内容生成”跨越的可能。通过引入大规模预训练的先验知识，构建兼顾生成质量与实时响应性的增强管线，将成为突破实时渲染画质上限的核心驱动力。 课题价值： 利用 DiT 的生成能力填补传统方法无法恢复的像素画质损失，实现跨数量级的性能加速与画质飞跃。改变传统固化的后处理管线，支持语义层面的风格化迁移与画质修复，使开发者能以极低成本实现从写实到特定艺术风格的无缝转换。 课题挑战： DiT 架构的高计算复杂度与游戏渲染的毫秒级响应要求存在冲突，需探索轻量化 Transformer 设计、分级采样策略以及特定硬件（Tensor Core）的极致加速方案。生成内容的逻辑一致性，确保空间上的几何准确性与时间上的时空稳定性。风格化与增强过程容易导致画面语义偏移（如材质误认），需研究基于控制向量或 LoRA 的语义约束机制，确保增强效果符合原画设计意图。 具体工作： 参与新一代游戏画质增强算法的研究与训练，参与数据收集，算法训练，到端上部署的全过程。研究方向包括但不限于视频超分，生成和风格化等，定义新时代画质增强范式

1. 01

   包含但不限于计算机、人工智能、计算机视觉、信息工程、应用数学等专业的博士和优秀硕士；

2. 02

   熟悉视频生成/扩散模型相关技术（如Video Diffusion、DiT、Flow Matching、Consistency Model等）或计算机视觉基础方法，有相关项目/研究经验；

3. 03

   熟悉PyTorch等深度学习框架，具备视频/图像数据处理能力，掌握Python编程，有大规模生成模型训练/微调实践经验者优先；

4. 04

   加分项：在SIGGRAPH,CVPR、NeurIPS、ICLR、ECCV等顶会发表过视频生成、扩散模型相关论文；有游戏视频数据处理或实时渲染相关项目经验。