CN114342411A - 提供一组或多组图形参数的方法、执行实现提供一组或多组图形参数的方法的程序的计算机 - Google Patents

提供一组或多组图形参数的方法、执行实现提供一组或多组图形参数的方法的程序的计算机 Download PDF

Info

Publication number
CN114342411A
CN114342411A CN201980099709.2A CN201980099709A CN114342411A CN 114342411 A CN114342411 A CN 114342411A CN 201980099709 A CN201980099709 A CN 201980099709A CN 114342411 A CN114342411 A CN 114342411A
Authority
CN
China
Prior art keywords
data
computer
graphics
parameters
performance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980099709.2A
Other languages
English (en)
Other versions
CN114342411B (zh
Inventor
何云
祝旭
陈德君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Razer Asia Pacific Pte Ltd
Original Assignee
Razer Asia Pacific Pte Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Razer Asia Pacific Pte Ltd filed Critical Razer Asia Pacific Pte Ltd
Publication of CN114342411A publication Critical patent/CN114342411A/zh
Application granted granted Critical
Publication of CN114342411B publication Critical patent/CN114342411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
    • H04N21/4781—Games
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/77—Game security or game management aspects involving data related to game devices or game servers, e.g. configuration data, software version or amount of memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/001—Arbitration of resources in a display system, e.g. control of access to frame buffer by video controller and/or main processor
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/36—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the display of a graphic pattern, e.g. using an all-points-addressable [APA] memory
    • G09G5/363—Graphics controllers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/485—End-user interface for client configuration
    • H04N21/4854—End-user interface for client configuration for modifying image parameters, e.g. image brightness, contrast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/65—Transmission of management data between client and server
    • H04N21/654—Transmission by server directed to the client
    • H04N21/6547—Transmission by server directed to the client comprising parameters, e.g. for client setup
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/8146—Monomedia components thereof involving graphical data, e.g. 3D object, 2D graphics
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2340/00—Aspects of display data processing
    • G09G2340/04—Changes in size, position or resolution of an image
    • G09G2340/0407—Resolution change, inclusive of the use of different resolutions for different screen areas
    • G09G2340/0435—Change or adaptation of the frame rate of the video stream
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2360/00—Aspects of the architecture of display systems
    • G09G2360/08—Power processing, i.e. workload management for processors involved in display operations, such as CPUs or GPUs

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Databases & Information Systems (AREA)
  • Display Devices Of Pinball Game Machines (AREA)
  • Processing Or Creating Images (AREA)

Abstract

一种提供用于计算机游戏应用程序的图形参数的优化设定的方法，包括：整理与不同计算机硬件设备的图形参数的设定及相应性能值有关的数据；基于经整理的数据训练机器学习模型；由经训练的机器学习模型确定用于图形参数的每个设定的权重；对于每组图形参数，由经训练的机器学习模型预测当计算机游戏应用程序在特定类型的计算机上执行时可实现的性能值；基于每个图形参数对性能值的贡献，将优先权值分配至每个图形参数；基于与每组图形参数相关联的经预测的性能值及用于每个图形参数的经确定的权重以及/或者基于经分配的优先权值，选择或生成提供优化的性能值的至少一组图形参数。

Description

提供一组或多组图形参数的方法、执行实现提供一组或多组 图形参数的方法的程序的计算机
技术领域
本发明的各种实施例涉及一种提供一组或多组图形参数的方法，以及执行实现提供一组或多组图形参数的方法的程序的计算机。
背景技术
对于玩家而言，电子游戏的图形质量对于游戏体验非常重要。现代电子游戏通常会呈现出具有大量视觉细节的沉浸式虚拟环境。这些视觉细节可以与玩游戏相关，例如，它可以显示敌人从远处逼近。现代电子游戏中的快速动作也使得游戏中的高帧率成为必要。许多玩家试图通过升级他们的计算机硬盘和轻微调整其游戏设定来提高他们的电子游戏的图形质量。然而，轻微调整游戏设定的过程常常为复杂的试错过程。玩家在输入不当设定时容易使他们的游戏的视觉效果更差。现有的解决方案通常是由计算机硬件制造商，例如显卡制造商来提供的。由硬件制造商提供的解决方案通常仅仅提供一组具体针对硬件模型的推荐设定。由这些现有解决方案提供的推荐设定未考虑用户的偏好和使用的计算机中的其他硬件的能力。因此，由现有解决方案推荐的设定会使视觉效果的质量降低，而并非使之提高。
发明内容
根据本发明各种实施例，可提供一种用于特定类型计算机上的计算机游戏应用程序的图形参数的优化设定方法。该方法可以包括整理与用于不同计算机硬件设备的图形参数的设定及对应于多组图形参数中的每组图形参数的相应性能值有关的数据，其中每组图形参数对应于相应计算机硬件设备，且其中相应性能值表示当在相应计算机硬件设备参与下执行时该计算机游戏应用程序的性能等级。该方法可以包括基于与相应计算机硬件设备有关的多组图形参数及对应性能值来训练机器学习模型；以及通过经训练的机器学习模型确定用于图形参数的每个设定的权重。权重可指示相应图形参数的设定对性能值的影响。该方法可以包括，对于每组图形参数，由经训练的机器学习模型预测当计算机游戏应用程序在包括所述计算机硬件设备中的一个或多个计算机硬件设备的具体类型的计算机上执行时可由其达成的性能值；基于每个图形参数对该组图形参数的性能值的贡献将优先级值分配给每个图形参数；以及基于与每组图形参数相关联的经预测的性能值并且还基于用于每个图形参数的经确定的权重和/或基于经分配的优先级值，选择或生成提供优化的性能值的至少一组图形参数。
根据各种实施例，可提供一种执行实现用于计算机游戏应用程序的上述方法的程序的计算机。
根据各种实施例，可提供一种非瞬时计算机可读介质，其包括当由处理器执行时使处理器执行上述方法的指令。
附图说明
在附图中，贯穿不同视图，相同的附图标记总体指代相同部分。该附图未必按比例绘制，而是用于强调说明本发明的原理。在以下描述中，参考以下附图描述各种实施例，附图中：
图1示出根据各种实施例的计算机程序的框图。
图2示出根据各种实施例的用于生成用于计算机程序的图形参数的优化设定的方法的总流程图。
图3A及图3B示出根据各种实施例的过滤输入数据的方法的流程图。
图4示出根据各种实施例的用于训练机器学习模型的方法的流程图。
图5示出根据各种实施例的生成推荐的配置进行设定的方法的流程图。
图6示出根据各种实施例的计算机程序的图形用户接口(GUI)的实例。
图7示出根据各种实施例的计算机程序的GUI。
图8示出用于提供一组或多组图形参数的方法的流程图，该一组或多组图形参数包括用于在具体类型的计算机上的计算机游戏应用程序的图形参数的优化设定。
具体实施方式
以下在装置(比如，计算机)的上下文中描述的实施例对于相应方法类似地有效，且反之亦然。此外，应理解，可组合以下描述的实施例，例如，一个实施例的一部分可与另一实施例的一部分组合。
应理解，本文中针对一具体装置描述的任何性质对于本文中描述的任何装置也可适用。应理解，本文中针对一具体方法描述的任何性质对于本文中描述的任何方法也可适用。此外，应理解，对于本文中描述的任何装置或方法，并非描述的所有组件或步骤都必须包括在装置或方法中，而是可包括仅一些(但非所有)组件或步骤。
在此上下文中，如在本说明书中描述的装置可以包括存储器，其例如用于在该装置中进行的处理中。在这样的实施例中使用的存储器可为易失性存储器，例如，动态随机存取存储器(DRAM)，或者非易失性存储器，例如，可编程只读存储器(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)，或者闪存，例如，浮栅存储器、电荷俘获型存储器、磁阻式随机存取存储器(MRAM)或相变随机存取存储器(PCRAM)。
在一实施例中，“电路”可理解为任一种类的逻辑实施实体，其可为执行存储于存储器、固件或其他任何组合中的软件的专用电路或处理器。因此，在一实施例中，“电路”可为硬连线逻辑电路或可编程逻辑电路，比如，可编程处理器，例如，微处理器(例如，复杂指令集计算机(CISC)处理器或精简指令集计算机(RISC)处理器)。“电路”也可以是执行软件的处理器，例如任一种类的计算机程序，例如，使用虚拟机程序代码(比如，Java)的计算机程序。根据一替代实施例，将在以下更详细地描述的相应功能的任一其他种类的实施也可理解为“电路”。
应理解，单数形式“一(a及an)”及“该”包括多个参考物，除非上下文另有清晰指示。类似地，词“或”旨在包括“及”，除非上下文另有清晰指示。
为了可以容易地理解本发明且将其付诸实施，现将通过实例而非限制的方式并参考附图来描述各种实施例。
根据各种实施例，可以提供一种生成用于计算机游戏应用程序的优化游戏设定的方法。可以通过生成多组游戏设定的计算机程序来提供该方法，每一种游戏设定对应于一种不同游戏模式。每种游戏模式可以优化游戏应用程序的一个方面，诸如，图形质量、游戏速度或竞争性优势，同时仍在一定程度上满足竞争要求。所生成的游戏设定集可与游戏应用程序的图形参数有关。图形参数的实例可以包括抗锯齿质量、后期处理质量、阴影质量、纹理质量、效果质量、树叶质量、视距质量、渲染比例等。游戏应用程序的图形质量的测量值之一可以为帧率，其可以帧/秒(FPS)为单位来测量。该方法可以包括检测关于将运行游戏应用程序的计算机的信息，包括屏幕分辨率，以及其硬件的功能，硬件包括中央处理单元(CPU)、图形处理单元(GPU)及随机存取存储器(RAM)。该方法可以进一步包括计算计算机所需的图形参数的设置，以基于检测到的计算机硬件配置为特定游戏实现估计的最低和最高图形质量。可以使用机器学习模型来计算该游戏设定集，以确定跨不同计算机和游戏应用程序的最佳游戏设定。该方法可以预测与每一组游戏设定对应的图形质量，范围从(图形的)高质量模式至高性能(游戏)模式。当游戏应用程序针对游戏的高性能进行优化时，图形质量通常会下降。该方法可以包括列举所有计算的设定，且基于计算机的硬件配置选择最佳设定(推荐的模式)。计算机程序可以向用户显示与每一组设定相关联的图形质量及游戏性能(例如，高性能或低性能)的信息。用户可基于显示的信息选择一种推荐的模式，或选择其他模式。用户可以通过一键轻松调整游戏设定以达成较佳游戏体验。
图1示出根据各种实施例的计算机程序100的框图。计算机程序100可以被配置为生成在计算机上运行的应用程序的配置设定建议。这些配置设定可以用于应用程序的图形参数的设定。应用程序可以是计算机游戏应用程序。计算机程序100可以被配置为生成对将允许计算机及/或应用程序达成所要的性能值的配置设定的推荐。性能值可关于图形质量，比如，帧率。计算机程序100可以包括数据清洁引擎102、性能预测引擎104及推荐设定引擎106。数据清洁引擎102可接收输入数据，该输入数据可以包括关于多个计算机硬件设备、应用程序及在这些计算机硬件设备上执行的应用程序的性能值的信息。输入数据可以从用户社区众包(crowd-sourced)。数据清洁引擎102可以从计算云端或服务器接收输入数据。数据清洁引擎102可以被配置为过滤输入数据以删除不相关或错误信息，以生成包括经过滤的工作数据的输出。性能预测引擎104可以接收经过滤的工作数据，作为输入。性能预测引擎104可以被配置为针对每一组可能的配置设定，基于经过滤的工作数据预测当应用程序在包括具体计算机硬件设备或计算机硬件设备的组合下运行时的可实现性能值。性能预测引擎104的输出可以包括经预测的性能值。性能预测引擎104可以包括使用经过滤的工作数据所训练的机械学习模型。机器学习模型可以包括排列特征重要性(permutation featureimportance；PFI)的确定，该确定可以根据这些配置设定中的每个设定对性能值的影响针对该设定生成权重。推荐设定引擎106可接收经预测的性能值及所生成的权重，作为输入。推荐设定引擎106可以被配置为至少部分基于经预测的性能值及所生成的权重生成针对配置设定的推荐。将关于后续图进一步详细地描述数据清洁引擎102、性能预测引擎104及推荐设定引擎106。
图2示出根据各种实施例的用于生成用于计算机程序的图形参数的优化设定的方法的总流程图200。该方法在本文中的游戏应用程序上下文中描述。性能值可以为帧率。然而，应理解，该方法不限于优化游戏应用程序的图形性能的上下文，且可以应用于生成用于其他类型的计算机应用程序的其他类型的配置设定。该方法可以包括在步骤202中定义机器学习模型特征。该机器学习模型特征可以为机器学习模型训练的输入。该机器学习模型特征可以包括影响游戏应用程序性能或对游戏应用程序性能起作用的因素。这些特征可以包括计算机硬件配置及游戏设定。在步骤204中，可收集并整理输入数据。经整理的数据可以关于用于不同计算机硬件设备的图形参数的设定及对应于多组图形参数中的每一组图形参数的相应性能值。每一组图形参数可以对应于相应的计算机硬件设备。这些相应的性能值可以表示计算机游戏应用程序在相应的计算机硬件设备的参与下执行时的性能的等级。经整理的数据可以包括关于图1所描述的输入数据。在步骤206中，可以定义性能值的最大及最小阈值。阈值可以包括令人满意的玩游戏体验所需的最小FPS值，及计算机硬件设备能够达到的最大FPS值。该阈值可以由用户手动输入，或可以为由游戏开发者公开的信息，或可以由计算机生成。该方法可以包括在步骤208中清洁经整理的数据。计算机的相关硬件组件，诸如，CPU、GPU及RAM可以基于其能力进行评分。该评分可以在步骤208中用以生成清洁输入数据。步骤208的输出可以为最终训练数据210。
接下来，在步骤212中，可以使用最终训练数据210进行训练、评估及生成机器学习模型。在步骤214中，机器学习模型可以生成针对图形参数设定的权重。该权重可以基于PFI生成。在步骤216中，根据应用程序的用户请求，可以基于计算机硬件设备上的信息生成用于图形参数的设定集。生成该设定集可以包括通过经训练的机器学习模型针对每一组可能的设定预测游戏应用程序可实现的性能值，及基于该经预测的性能值生成该设定集。数据清洁引擎102可以被配置为执行步骤204、步骤206及步骤208。性能预测引擎104可以被配置为执行步骤212及步骤214。推荐设定引擎106可以被配置为执行步骤216。
图3A及图3B示出根据各种实施例的过滤输入数据的方法的流程图。由于流程图过大而无法在一页上清晰地呈现，因此该流程图呈现为两个连接的子图300A及子图300B。数据清洁引擎102可以被配置为执行在子图300A及子图300B中示出的方法。在子图300A及子图300B中示出的方法可以包括步骤204、步骤206及步骤208。在步骤302中，可以从输入数据提取相关信息以生成工作数据。在步骤304中，诸如GPU及CPU的计算机硬件的评分可以基于硬件的已知信息(诸如，公开的产品说明书)按性能生成。在步骤302中提取的数据可以包括计算机硬件的名称。步骤304可以包括通过对计算机硬件的模型编号与存储已知计算机硬件说明书的硬件数据库进行匹配来对计算机硬件进行评分。在步骤306中，可以将计算机硬件的未辨识数据从工作数据中删除。在步骤330中，可以将未辨识数据传输至数据库。在步骤332中，可以分析未辨识数据以随后提高未来硬件可支持性。步骤332可以包括研究无法辨识数据的原因，然后扩展硬件数据库或使用优化匹配算法来提高未来对硬件数据的辨识。在步骤308中，可校正性能值，例如，FPS。此外，可以从工作数据中删除错误数据。可以基于与正态分布曲线的比较执行性能值的校正及错误数据的删除。可以删除实质上偏离正态分布曲线的外围数据点。可以基于其余数据点校正性能值。在步骤310中，可以使用机器学习模型来滤出不影响性能值或对性能值具有无意义影响的工作数据。可以将每种类型的工作数据的不同值输入至机器学习模型以生成不同的输出。可以将当工作数据类型的值变化时不导致不同输出的工作数据类型标注为不相关数据。在步骤310中，可以删除不相关数据。步骤310可以包括使用PFI计算可能潜在的影响性能值的每个因素的重要性评分。性能评分也可以在本文中被称作“权重”。该因素可以包括游戏应用程序及计算机硬件设备中的图形设定。可以删除具有低重要性评分的因素。这些因素也可以在本文中被称作“输入特征”。
在步骤312中，步骤310的输出可以输出至第一数据表，本文中也被称作数据表I。可以将数据表I中的数据输出至步骤314，以经历再一过滤过程，本文中被称作清洁数据过程I。
清洁数据过程I可以包括基于预定过滤规则及阈值删除选定数据。举例而言，在步骤316中，可以基于计算机硬件的能力相对于游戏应用程序的系统要求，缩小性能值及相关联的配置设定的可能范围。可以删除与不符合游戏应用程序的最小系统要求的计算机硬件相关联的数据。举例而言，在步骤318中，可以删除低于最小阈值的FPS值及其相关联的配置设定。类似地，可以删除高于最大阈值的FPS值及其相关联的配置设定。举例而言，可以基于计算机硬件设备的能力来确定最大阈值。步骤318可以包括步骤208。举例而言，在步骤320中，可以删除比预定最小值短的游戏会话生成的数据。用户有时可能会意外地启动游戏会话(gaming session)，然后很快地结束游戏会话。从这种短暂游戏会话收集的数据可能对游戏应用程序的性能不具备指示性，因此可能会被丢弃。举例而言，在步骤322中，可以删除在最近软件更新前所生成的数据。鉴于软件更新，应用程序生成的数据可能过时且不适用。因此，可以丢弃过时的数据。可以将清洁数据过程I的输出输出至步骤324。在步骤324中，可以对机器学习模型的输入特征进行特征化，以便提高机器学习模型的预测准确度。步骤324可以为可选的。在步骤326中，关于同一人、同一硬件或同样游戏设定的重复数据可以进行合并，以便提高工作数据的完整度。在步骤328中，可在表(本文中被称作数据表II)中生成步骤326的输出。
数据表II可以作为步骤340，清洁数据过程II的输入。在步骤342中，数据表II中的数据可以根据其硬件特征来进行分组。举例而言，由特定GPU模型实现的性能值可以被分组在一起。在步骤344中，可以确定来自步骤342的每个分组的正态分布。可以基于各分组的正态分布，从各分组过滤出不良数据。在步骤346中，步骤344的输出可以被存储在数据表III中。
数据表III可以作为步骤346，清洁数据过程III的输入。在步骤348中，数据表III中的数据可以按所有硬件及游戏设定特征来进行分组。在步骤350中，可以确定来自步骤348的每一个分组的正态分布。可基于各分组的正态分布，从每个分组中过滤出不良数据。在步骤352中，步骤350的输出可以存储在数据表IV中。
数据表IV可以作为步骤354，清洁数据过程IV的输入。在步骤356中，机器学习模型可以使用数据表IV中的数据生成图形参数设定的权重。在步骤358中，来自步骤356的数据可以根据硬件特征来进行分组。在步骤360中，可以确定特征的权重与性能值之间的线性关系。可以删除异常值(即，偏离线性关系)的数据点。在其他实例实施例中，权重与性能值之间的关系可以为非线性。在步骤362中，所得数据可以存储在数据表V中。数据表V可以为在步骤210中提及的最终训练数据，其可以用于训练性能预测引擎104时使用的机器学习模型。
图4示出根据各种实施例的用于训练机器学习模型的方法的流程图400。该性能预测引擎可以执行流程图400中示出的方法。在步骤402中，可以开始训练机器学习模型的步骤。在步骤404中，可以将经清洁的数据输入到建模器内以生成机器学习模型。经清洁的数据可以指数据表V的最终训练数据。在步骤406中，可使用经清洁的数据训练机器学习模型。可以通过机器学习框架(例如，MLNET)训练机器学习模型。在步骤408中，可以评估步骤406的输出，即，经训练或部分训练的机器学习模型。可以基于机器学习模型的输出的回归分析来评估机器学习模型。回归分析可以包括确定平方根误差(RMSE，root square error)或R平方值。在步骤410中，来自步骤408的评估结果可以为令人满意或不满意。若来自步骤408的评估结果为令人满意，则在步骤412中，可以使用流行的硬件数据进一步评估机器学习模型。若来自步骤408的评估结果为不满意，则可重复步骤406以继续对机器学习模型的训练。步骤412可以包括使用机器学习模型模拟流行硬件的性能结果，并对经模拟的性能结果与这些流行硬件的已知性能结果进行比较。步骤412可以包括列举应用程序的所有可能配置设定及性能值趋势及边界值的验证。若预测的性能值的方差超过预定阈值，则机器学习模型可能需要进一步改进。
在步骤418中，来自步骤412的评估结果可以为令人满意或不满意。若来自步骤412的评估结果评价为令人满意，则在步骤420中，可以生成最终机器学习模型。若来自步骤418的评估结果为不满意，则在步骤424中，可以调整清洁数据过程的参数并可以重复清洁数据过程。清洁数据过程可以包括过滤在子图300A及子图300B中示出的输入数据的方法。在步骤422中，可以使用最终机器学习模型确定配置设定中的每个参数的权重。在步骤422中，可以使用PFI算法确定配置设定的每个参数的权重。PFI算法可以计算配置设定的每个参数的重要性评分。PFI算法可以通过比较机器学习模型的敏感性与变量值的随机排列来确定重要性评分。
图5示出根据各种实施例的生成推荐配置设定的方法的流程图500。推荐设定引擎106可以执行在流程图500中示出的方法。在步骤502中，可以将硬件信息输入到推荐设定引擎106内。在步骤504中，可以针对多组配置设定中的每一组配置设定预测相应的性能值。作为一实例，在流行游戏绝地求生(PUBG，Players′Unknown Battle Ground)中，存在超过78,000组可能的游戏设定。步骤504可以包括预测游戏设定的78,000组中的每一组的FPS。在步骤506中，可以基于权重对所有配置设定集进行归一化和线性化以获得线性回归模型(LRM，Linear Regression Model)。可以将在步骤422中确定的每个配置设定变量的权重提供给推荐设定引擎106。在步骤508中，可根据特征的优先权生成子设定集(SSS，sub settingsset)。SSS可以包括一组图形参数的设定。这些特征也可以在本文中被称作图形参数。每一个图形参数可基于其对性能值或游戏体验(诸如，得到更好竞争优势等)的贡献分配优先级值。在步骤510中，推荐设定引擎106可以使用LRM及优先级值生成SSS的性能值。在步骤512中，可以生成所有经推荐的及特殊的设定集。经推荐的设定集可以为应用程序提供优化性能，而特殊的设定集可以根据用户的具体偏好实现某些方面的性能。特殊设定集可以包括例如“竞争性优势”集，其针对有利于游戏获胜的具体特征优化游戏应用程序，比如，增加抗锯齿质量及纹理质量。特殊设定集还可以包括例如“平衡”集，其优化游戏应用程序以实现恰当图形质量与充分玩游戏性能之间的平衡。
图6示出根据各种实施例的计算机程序的图形用户接口(GUI)600的实例。GUI 600可以显示多个应用程序模式，诸如，“质量”应用程序模式602、“竞争性”应用程序模式604、“平衡”应用程序模式606及“性能”应用程序模式608。每种应用程序模式可以表示游戏应用程序的图形参数的设定的不同组合。GUI 600可以按可呈现性能值的量值的比例显示多个应用程序模式。GUI 600可以显示每种应用程序模式的预测的帧率。在此实例中，性能值为帧率。计算机程序的用户可以通过单击所要的应用程序模式的图表或通过拖曳GUI 600上的滑块至所要的应用程序模式的图表来选择待应用于游戏应用程序的图形参数的设定的组合。GUI 600可以向用户提供输入接口，以容易地优化游戏应用程序，而不必手动轻微调整各图形参数。
图7示出根据各种实施例的计算机程序的GUI 700。GUI 700可以显示用户已选择的应用程序模式的经预测的帧率702。GUI 700还可以显示在选定的应用程序模式中的每个图形参数的设定。举例而言，这些图形参数可以包括抗锯齿704a、后处理704b、阴影704c和纹理704d及其他设定。
在下文中，关于具体实例来描述该方法。在这些实例中，性能值与以FPS测量的帧率有关。计算机程序可计算不同游戏模式的可实现帧率。
这些游戏模式之一可以为“超性能模式”，其中游戏应用程序可以针对比如速度的玩游戏性能进行优化。若计算机具有低端硬件，则最佳可达成的帧率可能仅为30FPS。对于低端计算机，计算机程序可以提议将所有图形设定改变为最低设定，以防止游戏应用程序迟滞。对于中端计算机，可以实现的帧率在30与60之间。60的帧率通常被认为足以获得良好的视觉质量。
这些游戏模式之一可以为“超质量模式”，其中游戏应用程序可以针对视觉质量进行优化。在低端计算机的情况中，最大可以实现的帧率可为仅30FPS。计算机程序可以建议将所有图形设定改变为低，以防止游戏应用程序迟滞。至于可能够达到30FPS至60FPS的中端计算机，计算机程序可推荐约30FPS的图形设定以确保游戏应用程序的平稳运行，同时提供足够的视觉质量。可能存在图形设定的多个可能的组合可以实现30FPS至60FPS的帧率。计算机程序可以为每个图形设定分配优先权，且可以使用该优先权来选择多个可能的组合当中的图形设定的组合。至于可能能够达到60FPS的帧率的高端计算机，计算机程序将推荐将所有图形设定改变为高，由此该计算机硬件能够在不影响游戏性能的情况下实现高帧率。
游戏模式中之一可为“竞争性优先权模式”，其中游戏应用程序可以针对竞争性优势进行优化，如能够更容易地找到游戏应用程序中的目标。在此模式中，具有比其他设定高的优先权的图形设定可以设定为非常高，而其他图形设定可以设定为非常低。计算机程序还可以调整设定的值以适合计算机硬件的功能。
图8示出用于提供一组或多组图形参数的方法的流程图800，该一组或多组图形参数包括用于特定类型的计算机上的计算机游戏应用程序的图形参数的优化设定。该方法可以包括在步骤802中，整理关于用于不同计算机硬件设备的图形参数的设定及对应于多组图形参数中的一组图形参数的相应性能值的数据。每一组图形参数可对应于相应计算机硬件设备。该相应的性能值可以表示计算机游戏应用程序当在相应计算机硬件设备参与的情况下执行时的性能的等级。在步骤804中，该方法可以包括基于相应计算机硬件设备的多组图形参数及对应的性能值训练机器学习模型。在步骤806中，该方法可以包括通过经训练的机器学习模型确定用于图形参数的每个设定的权重。该权重可以指示相应图形参数的设定对性能值的影响。在步骤808中，该方法可以针对每一组图形参数预测可由计算机游戏应用程序在其由经训练的机器学习模型在特定类型的计算机(包括该计算机硬件设备中的一个或多个)上执行时可实现的性能值。在步骤810中，该方法可以包括基于每个图形参数对该组图形参数的性能值的贡献将一优先级值分配至该图形参数。在步骤812中，该方法可以包括基于与每一组图形参数相关联的预测的性能值，并进一步基于每个图形参数确定的权重及/或基于分配的优先级值，选择或生成至少一组提供优化性能值的图形参数。
步骤802可以包括通过收集与用于不同计算机硬件的图形设定及用于每一组图形设定的对应FPS有关的数据来建构原始表，其中该图形设定、该计算机硬件及FPS由数字表示。
该方法可以进一步包括过滤经整理的数据。可以存在多种方法来过滤经整理的数据。过滤经整理的数据可以包括确定不影响机器学习模型的输出的信息类型，及删除经确定的信息类型。过滤经整理的数据还可以包括删除经整理的数据中与超出目标性能值的预定范围的性能值对应的数据。过滤经整理的数据还可以包括根据计算机硬件及应用程序的至少一个特征对输入数据进行分类，且在每个种类中，删除偏离该种类的正态分布的数据。过滤经整理的数据还可以包括确定所确定的权重与性能值之间的线性关系，及基于经确定的线性关系从输入数据中删除数据。
换言之，过滤经整理的数据可以包括清理原始表中的数据以删除不相关及易错数据。可以生成含有经过滤的数据的最终表，并将其作为输入提供以训练机器学习模型。
该方法可以进一步包括定义游戏模式及其对应的多个图形参数集。游戏模式可以包括用于低端计算机硬件、中端计算机硬件及高端计算机硬件的性能值的预定的范围。
以下实例是关于进一步的实施例。
实例1为一种提供用于在特定类型的计算机上的计算机游戏应用程序的图形参数的优化设定方法，方法包括：整理与用于不同计算机硬件设备的图形参数的设定及对应于多组图形参数中的每组图形参数的相应性能值有关的数据，其中每组图形参数对应于相应的计算机硬件设备，且其中相应的性能值表示当在相应计算机硬件设备参与下执行时计算机游戏应用程序的性能等级；基于关于相应计算机硬件设备的多组图形参数及对应的性能值训练机器学习模型；通过经训练的机器学习模型确定用于图形参数的每个设定的权重，其中权重指示相应图形参数的设定对性能值的影响；对于每组图形参数，由经训练的机器学习模型预测当计算机游戏应用程序在包括计算机硬件设备中的一个或多个的特定类型的计算机上执行时可以实现的性能值；基于每个图形参数对图形参数集的性能值的贡献，将优先级值分配给图形参数；及基于与每组图形参数相关联的经预测的性能值，且进一步基于用于每个图形参数的经确定的权重以及/或者基于经分配的优先级值，选择或生成提供优化的性能值的至少一组图形参数。
在实例2中，实例1的主题可选地可以包括：优先级值进一步取决于用户偏好。
在实例3中，实例1至2中任一项的主题可选地可以包括：性能值包括帧率。
在实例4中，实例1至3中任一项的主题可选地可以包括：过滤经整理的数据，其中过滤经整理的数据包括：确定不影响机器学习模型的输出的信息类型；及移除经确定的信息类型。
在实例5中，实例4的主题可选地可以包括：过滤输入数据进一步包括：移除经整理的数据中对应于超出目标性能值的预定范围的性能值的数据。
在实例6中，实例4至5中任一项的主题可选地可以包括：过滤输入数据进一步包括：根据计算机硬件及应用程序的至少一个特征对输入数据进行分类，以及在每个种类中，移除偏离该种类的正态分布的数据。
在实例7中，实例4至6中任一项的主题可选地可以包括：过滤输入数据进一步包括：确定经确定的权重与性能值之间的线性关系，以及基于经确定的线性关系从输入数据移除数据。
在实例8中，实例1至7中任一项的主题可选地可以包括：生成用于优化性能值的至少一组图形参数包括归一化及线性化设定的所有可能组合以生成线性回归模型。
在实例9中，实例1至8中任一项的主题可选地可以包括：整理数据包括众包数据。
在实例10中，实例1至9中任一项的主题可选地可以包括：确定图形参数的每个设定的权重包括使用排列特征重要性确定来计算图形参数的每个设定的重要性评分，其中权重指示该重要性评分。
在实例11中，实例1至10中任一项的主题可选地可以包括：每组经选择或经生成的至少一组图形参数对应于多个游戏模式中的游戏模式，其中多个游戏模式包括针对图形质量优化的第一模式、针对计算机游戏应用程序的速度优化的第二模式及平衡图形质量与所述计算机游戏应用程序的速度的第三模式。
在实例12中，实例1至11中任一项的主题可选地可以包括：接收指示来自多个游戏模式中的一个游戏模式的用户输入；及根据对应于在用户输入中指示的游戏模式的图形参数，配置计算机游戏应用程序。
在实例13中，实例1至12中任一项的主题可选地可以包括：显示图形用户接口，图形用户接口显示多个游戏模式及其对应的经预测的性能值的视觉表示。
实例14为一种计算机，其执行用于计算机游戏应用程序的实施根据实例1至13中任一项的方法步骤的程序。
实例15为一种非暂时性计算机可读介质，其包括在由处理器执行时使处理器执行根据实例1至13中任一项的方法的指令。
虽然本发明的实施例已经参考具体实施例进行特定地显示及描述，但本领域技术人员应理解，在不脱离所附权利要求书所定义的本发明的精神及范畴的情况下，可在其中进行形式及细节的各种改变。本发明的范畴因此由所附权利要求书指示，且因此意欲涵盖在本发明范围的等效内容的意义及范围内的所有改变。应了解，在相关附图中使用的共同数字指代满足类似或相同目的的组件。
本领域技术人员应了解，本文中使用的术语仅是为了描述各种实施例的目的，且并不意在限制本发明。如本文中所使用，单数形式“一(a及an)”及“该”意在也包括复数形式，除非上下文另有清晰指示。应进一步理解，术语“包括(comprises及/或comprising)”当在本说明书中使用时，指定所陈述特征、整体、步骤、操作、组件及/或组件的存在，但不排除一个或多个其他特征、整体、步骤、操作、组件、组件及/或其群组的存在或添加。
应理解，所公开的过程/流程图中的区块的具体次序或体系为例示性方法的说明。基于设计偏好，应理解，可重新排列这些过程/流程图中的区块的具体次序或体系。另外，可组合或省略一些区块。所附方法权利要求按样本次序提出各种区块的组合，且并不意谓限于所提出的具体次序或体系。
提供先前描述以使任何本领域技术人员能够实践本文中描述的各种方面。对这些方面的各种修改将易于对本领域技术人员显而易见，且本文中定义的一般原理可应用于其他方面。因此，这些权利要求并不旨在限于本文中所示出的方面，而是应符合与语言权利要求一致的完全范畴，其中以单数形式对一组件的参考并不旨在意指“一个且仅一个”，除非具体地如此陈述，而相反意指“一个或多个”。词语“例示性”在本文中用以意指“充当一实例、个例或例子”。本文中描述为“例示性”的任一方面未必应解释为较其他方面优选或有利。除非另有具体陈述，否则术语“一些”指一个或多个。诸如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B及C中的至少一个”、“A、B及C中的一个或多个”及“A、B、C或其任一组合”包括A、B及/或C的任一组合，且可以包括多个A、多个B或多个C。具体言之，诸如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B及C中的至少一个”、“A、B及C中的一个或多个”及“A、B、C或其任一组合”可为仅A、仅B、仅C、A及B、A及C、B及C或者A及B及C，其中任何这样的组合可含有A、B或C中的一个或多个成员。本领域普通技术人员已知或日后变得知晓的对贯穿本揭露内容描述的各种方面的组件所有结构及功能等效物明确地被以引用的方式并入本文中，且旨在由权利要求所涵盖。此外，本文中所公开的内容皆不旨在对公众公开，不管此公开内容是否明确地记载在权利要求中。词语“模块”、“机构”、“组件”、“装置”及类似者可不为词语“构件”的取代词。因而，无权利要求要素应被解释为构件加功能，除非明确地使用词组“用于……的构件”来叙述该要素。

Claims (15)

1.一种提供用于在特定类型的计算机上的计算机游戏应用程序的图形参数的优化设定的方法，所述方法包括：
整理与用于不同计算机硬件设备的图形参数的设定及对应于多组图形参数中的每组图形参数的相应性能值有关的数据，其中每组图形参数对应于相应计算机硬件设备，并且其中相应所述性能值表示当在相应计算机硬件设备参与下执行时所述计算机游戏应用程序的性能等级；
基于关于相应所述计算机硬件设备的所述多组图形参数及对应的所述性能值训练机器学习模型；
通过经训练的所述机器学习模型确定用于图形参数的每个设定的权重，其中所述权重指示相应所述图形参数的所述设定对所述性能值的影响；
对于每组图形参数，通过经训练的所述机器学习模型预测当所述计算机游戏应用程序在包括所述计算机硬件设备中的一个或多个计算机硬件设备的具体类型的计算机上执行时可由其达成的性能值；
基于每个图形参数对该组图形参数的所述性能值的贡献将优先权值分配至所述每个图形参数；以及
基于与每组图形参数相关联的经预测的所述性能值且进一步基于用于每个图形参数的经确定的所述权重以及/或者基于经分配的所述优先权值，选择或生成提供优化的性能值的至少一组图形参数。
2.如权利要求1所述的方法，其中所述优先权值进一步取决于用户偏好。
3.如权利要求1所述的方法，其中所述性能值包括帧率。
4.如权利要求1所述的方法，其进一步包括过滤经整理的所述数据.
其中过滤经整理的所述数据包括：
确定不影响所述机器学习模型的输出的信息类型；以及
移除经确定的所述信息类型。
5.如权利要求4所述的方法，其中过滤所述输入数据进一步包括：
移除经整理的所述数据中对应于超出目标性能值的预定范围的性能值的数据。
6.如权利要求4所述的方法，其中过滤所述输入数据进一步包括：
根据计算机硬件及应用程序的至少一个特征，将所述输入数据分类；以及
在每个种类中，移除偏离所述种类的正态分布的数据。
7.如权利要求4所述的方法，其中过滤所述输入数据进一步包括：
确定经确定的所述权重与所述性能值之间的线性关系；以及
基于经确定的所述线性关系，从所述输入数据移除数据。
8.如权利要求1所述的方法，其中生成用于优化所述性能值的至少一组图形参数包括归一化及线性化设定的所有可能组合，以生成线性回归模型。
9.如权利要求1所述的方法，其中整理所述数据包括众包所述数据。
10.如权利要求1所述的方法，其中确定图形参数的每个设定的所述权重包括使用排列特征重要性确定来计算所述图形参数的每个设定的重要性评分，其中所述权重指示所述重要性评分。
11.如权利要求1所述的方法，其中每组经选择或经生成的至少一组所述图形参数对应于多个游戏模式中的游戏模式，其中所述多个游戏模式包括针对图形质量优化的第一模式、针对所述计算机游戏应用程序的速度优化的第二模式及平衡图形质量与所述计算机游戏应用程序的速度的第三模式。
12.如权利要求11所述的方法，其进一步包括：
接收指示来自所述多个游戏模式中的一个游戏模式的用户输入；以及
根据对应于在所述用户输入中指示的所述游戏模式的所述图形参数，配置所述计算机游戏应用程序。
13.如权利要求11所述的方法，其进一步包括：
显示图形用户接口，所述图形用户接口显示所述多个游戏模式及其对应的经预测的性能值的视觉表示。
14.一种计算机，其执行用于计算机游戏应用程序的实施如权利要求1至13中任一项所述的方法步骤的程序。
15.一种非暂时性计算机可读介质，其包括在由处理器执行时使所述处理器执行根据权利要求1至13中任一项所述的方法的指令。
CN201980099709.2A 2019-09-27 2019-09-27 提供一组或多组图形参数的方法、执行实现提供一组或多组图形参数的方法的程序的计算机 Active CN114342411B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/108748 WO2021056478A1 (en) 2019-09-27 2019-09-27 Method of providing one or more sets of graphics parameters and computer executing a program implementing method of providing one or more sets of graphics parameters

Publications (2)

Publication Number Publication Date
CN114342411A true CN114342411A (zh) 2022-04-12
CN114342411B CN114342411B (zh) 2024-03-26

Family

ID=75165409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980099709.2A Active CN114342411B (zh) 2019-09-27 2019-09-27 提供一组或多组图形参数的方法、执行实现提供一组或多组图形参数的方法的程序的计算机

Country Status (5)

Country Link
US (1) US12011666B2 (zh)
EP (1) EP4035400A4 (zh)
CN (1) CN114342411B (zh)
AU (1) AU2019467638A1 (zh)
WO (1) WO2021056478A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113769387A (zh) * 2021-09-18 2021-12-10 网易（杭州）网络有限公司 游戏图形参数配置的方法、装置及终端设备
US11826657B2 (en) * 2021-11-11 2023-11-28 Microsoft Technology Licensing, Llc Game performance prediction from real-world performance data

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070066403A1 (en) * 2005-09-20 2007-03-22 Conkwright George C Method for dynamically adjusting an interactive application such as a videogame based on continuing assessments of user capability
US20170054779A1 (en) * 2015-08-18 2017-02-23 Pandora Media, Inc. Media Feature Determination for Internet-based Media Streaming
US20170124596A1 (en) * 2015-10-30 2017-05-04 Adelphic, Inc. Systems and methods for optimal automatic advertising transactions on networked devices
CN107659828A (zh) * 2017-10-30 2018-02-02 广东欧珀移动通信有限公司 视频画质调整方法、装置、终端设备及存储介质
US20180293697A1 (en) * 2017-04-10 2018-10-11 Intel Corporation Contextual configuration adjuster for graphics
CN109074270A (zh) * 2016-03-02 2018-12-21 雷蛇(亚太)私人有限公司 数据处理装置、数据处理方法及计算机可读介质
US10272341B1 (en) * 2016-12-20 2019-04-30 Amazon Technologies, Inc. Procedural level generation for games

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7384339B2 (en) 2000-10-11 2008-06-10 Igt Frame capture of actual game play
US9108107B2 (en) 2002-12-10 2015-08-18 Sony Computer Entertainment America Llc Hosting and broadcasting virtual events using streaming interactive video
US8296781B1 (en) * 2007-12-11 2012-10-23 Nvidia Corporation System, method, and computer program product for determining application parameters based on hardware specifications
US9317983B2 (en) 2012-03-14 2016-04-19 Autoconnect Holdings Llc Automatic communication of damage and health in detected vehicle incidents
US9846845B2 (en) * 2012-11-21 2017-12-19 Disney Enterprises, Inc. Hierarchical model for human activity recognition
US9547931B2 (en) 2014-05-05 2017-01-17 Nvidia Corporation System, method, and computer program product for pre-filtered anti-aliasing with deferred shading
US9826277B2 (en) 2015-01-23 2017-11-21 TCL Research America Inc. Method and system for collaborative and scalable information presentation
US20170103577A1 (en) 2015-10-12 2017-04-13 Cinova Media Method and apparatus for optimizing video streaming for virtual reality
US10195531B2 (en) 2016-06-30 2019-02-05 Sony Interactive Entertainment Inc. Automated artificial intelligence (AI) personal assistant
US20180137668A1 (en) 2016-11-12 2018-05-17 Intel Corporation Dynamically selecting optimum graphics frequency and graphics power gating configuration
US10311548B2 (en) 2017-09-05 2019-06-04 Microsoft Technology Licensing, Llc Scaling render targets to a higher rendering resolution to display higher quality video frames
US20190122121A1 (en) 2017-10-23 2019-04-25 AISA Innotech Inc. Method and system for generating individual microdata
US10726335B2 (en) * 2017-10-26 2020-07-28 Uber Technologies, Inc. Generating compressed representation neural networks having high degree of accuracy
US10741143B2 (en) 2017-11-28 2020-08-11 Nvidia Corporation Dynamic jitter and latency-tolerant rendering
US10909738B2 (en) * 2018-01-05 2021-02-02 Nvidia Corporation Real-time hardware-assisted GPU tuning using machine learning
KR20180034356A (ko) 2018-03-22 2018-04-04 주식회사 엔브로스 사용자 설정에 의한 게임 캐릭터의 인공 지능을 구현하는 게임 시스템 및 방법
US11106261B2 (en) * 2018-11-02 2021-08-31 Nvidia Corporation Optimal operating point estimator for hardware operating under a shared power/thermal constraint
CN109902767B (zh) 2019-04-11 2021-03-23 网易（杭州）网络有限公司 模型训练方法、图像处理方法及装置、设备和介质
CN110119815B (zh) * 2019-05-21 2021-08-13 深圳市腾讯网域计算机网络有限公司 模型训练方法、装置、存储介质及设备
US20220101176A1 (en) * 2020-09-25 2022-03-31 Kpn Innovations, Llc. System and method for generating a direction inquiry response from biological extractions using machine learning
US11826657B2 (en) * 2021-11-11 2023-11-28 Microsoft Technology Licensing, Llc Game performance prediction from real-world performance data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070066403A1 (en) * 2005-09-20 2007-03-22 Conkwright George C Method for dynamically adjusting an interactive application such as a videogame based on continuing assessments of user capability
US20170054779A1 (en) * 2015-08-18 2017-02-23 Pandora Media, Inc. Media Feature Determination for Internet-based Media Streaming
US20170124596A1 (en) * 2015-10-30 2017-05-04 Adelphic, Inc. Systems and methods for optimal automatic advertising transactions on networked devices
CN109074270A (zh) * 2016-03-02 2018-12-21 雷蛇(亚太)私人有限公司 数据处理装置、数据处理方法及计算机可读介质
US10272341B1 (en) * 2016-12-20 2019-04-30 Amazon Technologies, Inc. Procedural level generation for games
US20180293697A1 (en) * 2017-04-10 2018-10-11 Intel Corporation Contextual configuration adjuster for graphics
CN107659828A (zh) * 2017-10-30 2018-02-02 广东欧珀移动通信有限公司 视频画质调整方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
TW202131702A (zh) 2021-08-16
AU2019467638A1 (en) 2022-03-24
WO2021056478A1 (en) 2021-04-01
CN114342411B (zh) 2024-03-26
EP4035400A4 (en) 2022-10-12
US12011666B2 (en) 2024-06-18
US20220347583A1 (en) 2022-11-03
EP4035400A1 (en) 2022-08-03

Similar Documents

Publication Publication Date Title
US11458399B2 (en) Systems and methods for automatically measuring a video game difficulty
US11413539B2 (en) Realtime dynamic modification and optimization of gameplay parameters within a video game application
US11369880B2 (en) Dynamic difficulty adjustment
CN107335220B (zh) 一种消极用户的识别方法、装置及服务器
US11058957B2 (en) Method, device and system for game difficulty assessment
CN109847366B (zh) 用于游戏的数据处理方法和装置
CN110675177A (zh) 门店选址方法和装置
CN108920213A (zh) 游戏的动态配置方法及装置
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
CN108875769A (zh) 数据标注方法、装置和系统及存储介质
CN114342411B (zh) 提供一组或多组图形参数的方法、执行实现提供一组或多组图形参数的方法的程序的计算机
CN111026272A (zh) 虚拟对象行为策略的训练方法及装置、电子设备、存储介质
CN110046815A (zh) 风险管理方法、装置、设备和存储介质
CN112001774A (zh) 基于神经网络的烟草投放量研判方法及系统
KR101349399B1 (ko) 사용자의 골프 샷을 분석하는 방법 및 장치
TWI843883B (zh) 提供一或多組圖形參數之方法、執行用以實施該方法之程式的電腦以及包含用以執行該方法之指令的非暫時性電腦可讀媒體
CN114742154A (zh) 生成用户画像的方法、设备、电子设备及存储介质
US11413541B2 (en) Generation of context-aware, personalized challenges in computer games
Lora et al. Dificulty Adjustment in Tetris with Time Series.
CN116483983B (zh) 一种虚拟人物情绪变化量的生成方法及相关设备
JP6943458B2 (ja) パラメータ最適化装置、パラメータ最適化方法及びコンピュータプログラム
CN112668801A (zh) 数据处理方法、装置、电子设备和可读存储介质
CN117111748A (zh) 虚拟现实中待优化交互节点的确定方法、装置、设备及介质
CN116531764A (zh) 游戏数据处理方法、装置、设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant