Riot Games використовує машинне навчання для оптимізації 3D-контенту

Оптимізація 3D-пайплайну в Riot Games

Riot Games, заснована у 2006 році, випустила свою дебютну гру League of Legends у 2009 році. Ця гра стала найпопулярнішою ПК-грою у світі, з понад 100 мільйонами гравців щомісяця. Для постійного вдосконалення досвіду гравців, компанія інвестує в технологічні інновації.

Роль Сінгапурської команди ефективності

Команда Riot's Singapore Efficiency створює технології, які дозволяють творчим командам виконувати свою роботу найефективніше. Зокрема, у сфері 3D-розробки, шлях від ідеї моделера до готового ігрового активу включає повільні та технічно складні кроки, такі як очищення, ретопологія, створення UV-розгорток та рівнів деталізації (LODs). Саме на цих етапах зосереджені зусилля команди.

Застосування машинного навчання у 3D

Ключова роль у цьому процесі відводиться інженерам з машинного навчання, які розробляють інструменти для стиснення трудомістких технічних частин 3D-пайплайну. Це дозволяє моделерам та художникам оточення залишатися у творчому процесі та швидше створювати високоякісні 3D-активи.

Інструменти використовуватимуть методи геометрії, неявні представлення (такі як SDF, NeRF, Gaussian-splatting), нейронний рендеринг та UV/текстурування. Метою є прискорення очищення, ретопології та інших технічних кроків у робочому процесі художника. Інженери співпрацюють з 3D-моделерами та художниками оточення, щоб виявляти найдорожчі за часом етапи моделювання, ретопології та текстурування, а потім розробляти інструменти для їх скорочення.

Також важливою частиною роботи є визначення та проведення оцінок 3D-результатів, включаючи геометричну точність, якість топології та готовність до гри, а також кількісна оцінка часу, зекономленого для художників. Команда також відстежує нові розробки у 3D ML та нейронному рендерингу, оцінюючи їхню придатність для реального виробництва та обмежень виконання.

Технічна експертиза

Для цієї роботи потрібна глибока експертиза у 3D ML, що охоплює методи сіток/геометрії, неявні представлення, навчання на хмарах точок, нейронний та диференційований рендеринг. Також необхідний досвід роботи з генеративними моделями, включаючи 3D-aware diffusion та flow matching моделі, а також VAE над сітками, хмарами точок або неявними представленнями, застосованими для створення інструментів допомоги художникам та прискорення технічних етапів у 3D-пайплайні. Вимагається володіння мовами програмування, такими як Python, C, C++, C#, та досвід роботи з фреймворками, як-от PyTorch, TensorFlow або JAX.