Hugging Face 2D 资产生成用于游戏开发

将 AI 融入 2D 游戏资产工作流

Hugging Face 描述了一种协作流程，通过将 Stable Diffusion 作为工具嵌入传统艺术工作流来生成 2D 游戏资产。与作者指出尚未完全成熟的文本到 3D 生成不同，使用扩散模型的 2D 资产生成目前已经能够通过手动草图和 AI 精炼的迭代循环，生成可直接用于游戏的图标和精灵。

Image2Image 在资产创建中的作用

Image2Image 是一种技术，扩散模型使用真实图像作为输入，而不是从随机噪声开始。这确保输出在一定程度上保留原始输入图像的相似性，使其成为艺术家引导 AI 构图的强大工具。

去噪强度与创造力

Image2Image 过程中的关键参数是 去噪强度，它决定模型对输入图像的修改程度：

  • 去噪强度为 0：模型完全再现输入图像。
  • 去噪强度为 1：模型生成的图像与输入有显著偏差。

通过调节该数值，开发者可以在严格遵循草图和 AI 生成的“创造力”之间取得平衡。

游戏图标的迭代工作流

使用 Stable Diffusion 进行 2D 资产制作的最有效方式是将其作为迭代工具，而不是完全取代手工艺术。以下流程展示了玉米图标的创建：

  1. 初始草图：绘制粗略草图以确定构图。
  2. 首次 AI 处理：使用高去噪强度（例如 0.8）和特定提示词（例如 “corn, james gilleard, atey ghailan, pixar concept artists, stardew valley, animal crossing”）通过 Image2Image 处理草图，以确定整体风格。
  3. 手动精炼：艺术家使用图像编辑软件（如 Photoshop 或 GIMP）对不满意的区域进行绘制或简化复杂细节。
  4. 后续 AI 处理：将修改后的图像再次输入 Image2Image，使用较低的去噪强度（例如 0.6）以在不偏离手动修正太多的情况下细化细节。
  5. 最终打磨：进行最终的手动编辑，去除背景并清理伪影，使资产达到可直接用于游戏的状态。

克服生成挑战

如果模型的训练数据对某些解释存在偏向，生成特定工具可能会困难。例如，创建农用镰刀可能会有挑战，因为模型可能更倾向于将 “scythe” 与武器关联，而非农业工具。

更好控制的策略

  • 提示词工程：在提示词中使用诸如 “scythe tool” 的具体术语，或在负向提示词中加入 “weapon” 以引导模型。
  • 模型定制：诸如 Dreambooth、textual inversion 和 LoRA 等技术可对扩散模型进行定制，以生成更符合特定风格或对象的结果。
  • 专业服务：像 layer.ai 和 scenario.gg 这样的平台专为游戏资产生成而设计，利用定制技术确保项目整体风格的一致性。

Sources