共计 2458 个字符，预计需要花费 7 分钟才能阅读完成。
欢送应用 AI 进行游戏开发！ 在本系列中，咱们将应用 AI 工具在 5 天内创立一个性能齐备的农场游戏。到本系列完结时，您将理解到如何将多种 AI 工具整合到游戏开发流程中。本系列文章将向您展现如何将 AI 工具用于:
- 美术格调
- 游戏设计
- 3D 素材
- 2D 素材
- 剧情
留神： 本教程面向相熟 Unity 开发和 C# 语言的读者。如果您不相熟这些技术，请先查看 Unity for Beginners 系列后再持续浏览。
第 4 天：2D 素材
本教程系列的 第 3 局部 探讨到现阶段 文本 -3D 技术利用到游戏开发中并不可行。不过对于 2D 来说，状况就天壤之别了。
在这一部分中，咱们将探讨如何应用 AI 制作 2D 素材。
前言
本局部教程将介绍如何将 Stable Diffusion 工具嵌入到传统 2D 素材制作流程中，来帮忙从业者应用 AI 制作 2D 素材。此教程实用于具备肯定图片编辑和 2D 游戏素材制作常识根底的读者，同时对游戏或者 AI 畛域的初学者和资深从业者也会有所帮忙。
必要条件：
- 图片编辑软件。能够依据您的应用习惯偏好抉择，如 Photoshop 或 GIMP (收费)。
- Stable Diffusion。能够参照 第 1 局部 的阐明设置 Stable Diffusion。
Image2Image
诸如 Stable Diffusion 之类的扩散模型生成图片的过程是从初始噪声开始，通过一直去噪来重建图片，同时在去噪过程中能够增加额定的领导条件来疏导生成图片的某种个性，这个条件能够是文本、轮廓、地位等。基于扩散模型的 Image2Image 生成图片的过程也一样，但并非从初始噪声开始，而是输出实在图片，这样最终生成的图片将会与输出图片有肯定的相似性。
Image2Image 中的一个比拟重要的参数是 去噪强度 (denoising strength)，它能够管制生成图片与输出图片的差别水平。去噪强度为 0 会生成与输出图片完全一致的图片，去噪强度为 1 则截然不同。去噪强度也能够了解为 创造性。例如：给定一张圆形图案的输出图片，增加文本提醒语“月亮”，对去噪强度设置不同的参数值，Image2Image 能够生成不同创造性的图片，示意图如下。
基于 Stable Diffusion 的 Image2Image 办法并非代替了传统美术作品绘图流程，而是作为一种工具辅助应用。具体来说，您能够先手动绘制图片，而后将其输出给 Image2Image，调整相干参数后失去生成图片，而后持续将生成的图片输出给 Image2Image 进行屡次迭代，直到生成一张称心的图片。以本系列的农场游戏为例，我会在接下来的局部阐明具体细节。
示例：玉米
在这一大节中，我会介绍应用 Image2Image 为农场游戏的农作物玉米生成图标的残缺流程。首先须要确定整体构图，我简略勾画了一张十分毛糙的玉米图标草图。
接下来，我输出以下提醒语：
corn, james gilleard, atey ghailan, pixar concept artists, stardew valley, animal crossing
注：corn：玉米；james gilleard：未来主义插画艺术家；atey ghailan：现拳头游戏概念艺术家；pixar concept artists：皮克斯动画概念艺术；stardew valley：星露谷物语，一款像素风农场游戏；animal crossing：动物之森，任天堂游戏
同时设置去噪强度为 0.8，确保扩散模型生成的图片在放弃原始构图的同时兼顾更多的创造性。从屡次随机生成的图片中，我筛选了一张喜爱的，如下所示。
生成的图片不须要很完满，因为通常会屡次迭代来一直修复不完满的局部。对于下面筛选的图片，我感觉整体格调很不错，不过玉米叶局部略微有些简单，所以我应用 PhotoShop 做了一些批改。
请留神，这里我仅在 PhotoShop 中用笔刷十分粗略地涂掉了要改的局部，而后把它输出到 Image2Image 中，让 Stable Diffusion 自行填充这部分的细节。因为这次输出图片的大部分信息须要被保留下来，因而我设置去噪强度为 0.6，失去了一张还不错的图片。
接着我在 PhotoShop 中又做了一些批改：简化了底部的线条以及去除了顶部的新芽，再一次输出 Stable Diffusion 迭代，并且删除了背景，最终的玉米图标如下图所示。
瞧！不到 10 分钟，一个玉米图标游戏素材就制作实现了！其实您能够花更多工夫来打磨一个更好的作品。如想理解如何制作更加粗劣的游戏素材，能够返回观看具体演示视频。
示例：镰刀
很多时候，您可能须要对扩散模型进行 负面疏导 能力生成冀望的图片。下图毫无疑问能够用作镰刀图标，但这些简略的图片却须要大量迭代次数能力生成。
起因可能是这样：扩散模型应用的训练图片根本都是网络上的，而网络上对于镰刀的图片大部分是 武器 ，只有小局部是 农具 ，这就导致模型生成的镰刀图片会偏离 农具 。一种解决办法是改善提醒语：以减少 负面提醒语 的形式疏导模型避开相应的后果。上述示例中，除了输出 镰刀，农具 之外，在负面提醒语一栏输出 武器 就能见效。当然，也不只有这一种解决办法。
Dreambooth、textual inversion 和 LoRA 技术用于定制集体专属的扩散模型，能够使模型生成更加明确的图片。在 2D 生成畛域，这些技术会越来越重要，不过具体技术细节不在本教程范畴之内，这里就不开展了。
layer.ai 和 scenario.gg 等是专门提供游戏素材生成的服务商，能够使游戏从业者在游戏开发过程中生成的游戏素材放弃格调统一，他们的底层技术很可能就是 dreambooth 或 textual inversion。在新兴的开发游戏素材生成工具包赛道，是这些技术成为支流？还是会再呈现其余技术？让咱们刮目相待！
如果您对 Dreambooth 的工作流程细节感兴趣，能够查看 博客文章 浏览相干信息，也能够进入 Hugging Face 的 Dreambooth Training Space 利用体验整个流程。
在下一部分中，咱们将 应用 AI 设计游戏剧情。
原文作者：Dylan Ebert
译者：SuSung-boy
审校、排版：zhongdongy (阿东)
