REGEN：通过双阶段生成网络框架实现游戏中的实时照片级真实感增强
计算机视觉与模式识别
2026-02-10 v2
摘要
照片级真实感是现代电子游戏的重要方面，因为它可以塑造玩家体验并影响沉浸感、叙事参与度和视觉保真度。为了实现照片级真实感，除了传统的渲染管线外，生成模型越来越多地被采用，作为弥合合成世界与真实世界之间视觉真实感差距的有效方法。然而，在视频游戏的实时约束下，现有的生成方法仍然面临视觉质量与运行效率之间的权衡。在这项工作中，我们提出了一种利用生成网络增强渲染游戏帧照片级真实感的框架。我们提出了 REGEN，它首先采用一个鲁棒的成对图像到图像翻译模型来生成语义一致的照片级真实感帧。这些生成的帧随后被用于创建成对数据集，从而将问题转化为更简单的非成对图像到图像翻译。这使得能够以轻量级方法进行训练，在不影响视觉质量的情况下实现实时推理。我们在虚幻引擎上评估了 REGEN，结果表明，通过采用 CMMD 指标，它实现了与鲁棒方法相当或略优的视觉质量，同时将帧率提高了 12 倍。额外的实验也验证了 REGEN 遵循初始鲁棒图像到图像翻译方法的语义保持，并保持了时间一致性。本工作的代码、预训练模型和演示可在以下网址获取：https://github.com/stefanos50/REGEN
引用
@article{arxiv.2508.17061,
title = {REGEN: Real-Time Photorealism Enhancement in Games via a Dual-Stage Generative Network Framework},
author = {Stefanos Pasios and Nikos Nikolaidis},
journal= {arXiv preprint arXiv:2508.17061},
year = {2026}
}
备注
8 pages