編者按：自去年《絕地求生》（PUBG）火遍全球后，大量“吃雞”類新游密集出現，游戲廠商們也紛紛效仿，在自家游戲中加入“吃雞”模式，其中最成功的是公布于2011年卻一直難產的《堡壘之夜》。截至今年6月，《堡壘之夜》的全球玩家數已超過1.25億，大有后來居上的勢頭。雖然游戲很火爆，游戲機制也很有趣，但口味“刁鉆”的玩家還是有不滿意的地方，比如它的卡通風格。

今天，論智給大家帶來的是數據科學家Chintan Trivedi的實現：用CycleGAN把《堡壘之夜》轉成《絕地求生》寫實風。

左：《堡壘之夜》卡通畫面；右：《絕地求生》寫實畫面

如果你是一名游戲愛好者，你一定聽說過現在風靡全球的兩大“吃雞游戲”：《堡壘之夜》和《絕地求生》。它們的游戲機制十分類似：把100名玩家空投到一座孤島上，讓他們搜集武器互相殘殺，直到留下最后一個幸存者。我個人雖然更喜歡《堡壘之夜》的玩法，但也喜歡《絕地求生》的畫面。這就產生了一個問題：我們能不能繞過游戲開發人員，自己為游戲提供圖形模塊，從而自定義畫面風格。

簡單來說，這其實是為《堡壘之夜》打一個《絕地求生》mod，重點是，我該怎么做？作為數據科學家和AI愛好者，深度學習是我的第一選擇，經過一段時間的研究，我選擇了一種名為CycleGAN的神經網絡，它恰好擅長圖像風格轉換。

小方框中是CycleGAN轉換后的圖像

什么是CycleGAN？

CycleGAN是加州大學伯克利分校研究人員提出的一種用于跨域圖到圖轉換的GAN，它可以把一類圖像的風格（比如《堡壘之夜》）轉換成另一類圖像（比如《絕地求生》），優點是采用無監督學習，即不需要兩個域的圖像間存在一對一映射，既可以處理配對圖像，也可以處理非配對圖像。

這個神經網絡可以被看作是兩個鏡像對稱的GAN，第一個GAN輸入原始域圖像，把它轉成目標域風格；第二個GAN則把新轉換的圖像重新轉成原始域風格，和原圖對比差異。這個差異越小，神經網絡學到的特征關聯就越多，轉換效果就越好。由于項目已經開源，這里我們不再具體介紹它的技術細節。如下圖所示，CycleGAN可以把馬轉成斑馬，可以把蘋果轉成橘子，從理論上來說，它也可以轉換游戲畫面風格。

實現方法

首先，我們需要大量游戲截圖作為數據集。在這些數據基礎上，我訓練了兩個GAN，一個基于原始域《堡壘之夜》，另一個基于目標域《絕地求生》。這兩個網絡以循環的方式同時訓練，以便它們學習兩個游戲中相同對象之間的關系，從而進行適當的風格轉換。下圖是這對GAN的循環架構：

CycleGAN由兩個生成器和一個判別器構成。其中生成器F2P輸入《堡壘之夜》截圖，然后把它轉成《絕地求生》風格；生成器P2F輸入重構的截圖，然后把它還原成《堡壘之夜》風格，和原圖做對比；判別器則負責判斷重構的截圖是否真的來自《絕地求生》（生成器“作假”，判別器“打假”）。

常規的GAN只有一對生成器、判別器，CycleGAN這個多出來的生成器P2F是為了強制執行重建條件。試想一下，我們用的不是配對圖像，數據間不存在一對一映射，如果不在原始域和目標域之間建立可靠的聯系，神經網絡是無法實現風格轉換的。生成器P2F的作用是強調重構的圖必須與原始圖像存在相似條件，還原后的圖和原圖肯定有差距，我們要在訓練過程中把這個損失值降到最低。這個思路和自動編碼器基本類似。

生成器F2P

生成器F2P由三個主要卷積塊組成。其中第一個負責在較低維的潛在空間中找到《堡壘之夜》的截圖編碼；第二個負責把這些編碼轉換成同一潛在空間中的《絕地求生》編碼；第三個則負責解碼，輸出重構圖像，也就是寫實風格的《堡壘之夜》。

在訓練過程中，因為GPU內存限制，我只能用256×256的圖像，這個大小顯然沒法玩游戲。如果你的內存在8G以上，你可以得到512×512的圖，雖然還是小了點，但有進步。所以如果你夠“壕”，而且有足夠的耐心，玩上全屏的《絕地求生》版《堡壘之夜》不是夢。

結果

經過12小時的訓練，CycleGAN已經能成功地把天空、樹木、草地轉成《絕地求生》樣式，原先卡通風格的過飽和顏色也更自然、逼真。除了天空不那么藍，草地不那么綠，神經網絡居然還學會了把《堡壘之夜》的彈藥和血量指示器換成《絕地求生》風格。

總而言之，神經網絡在識別兩個域圖像并轉換風格上表現出色，雖然分辨率不高，但這些美中不足都會隨技術發展逐漸消失。更重要的是，這種方法直接跳過了傳統3D渲染技術，而且結果還意外地不錯。聯想到歐美大廠正在紛紛開設AI實驗室，日系游戲廠商也在積極和新技術接軌，未來神經網絡會為游戲工業帶來多大變革呢？我們拭目以待。