Hugging Face 2D 資產生成於遊戲開發

將 AI 整合至 2D 遊戲資產工作流程

Hugging Face 描述了一個協作流程，透過將 Stable Diffusion 作為工具納入傳統藝術工作流程，來生成 2D 遊戲資產。與作者指出尚未完全成熟的文字轉 3D 生成不同，使用擴散模型的 2D 資產生成目前已可行，能透過手動草圖與 AI 精練的迭代循環，製作出可直接投入遊戲的圖示與精靈。

Image2Image 在資產創作中的角色

Image2Image 是一種技術，讓擴散模型以真實圖像作為輸入，而非從隨機噪聲開始。這確保輸出仍保有與原始輸入圖像的某種相似度，使其成為藝術家引導 AI 構圖的強大工具。

去噪強度與創造力

在 Image2Image 流程中，一個關鍵參數是 denoising strength，它決定模型對輸入圖像的改變程度：

  • Denoising Strength of 0：模型完全重現輸入圖像。
  • Denoising Strength of 1：模型生成的圖像與輸入有顯著差異。

透過調整此數值，開發者可以在嚴格遵循草圖與 AI 生成的「創造力」之間取得平衡。

遊戲圖示的迭代工作流程

使用 Stable Diffusion 於 2D 資產的最有效方式是作為迭代工具，而非完全取代手繪藝術。以下流程示範了如何製作玉米圖示：

  1. Initial Sketch：先繪製粗略草圖以確立構圖。
  2. First AI Pass：將草圖透過 Image2Image 處理，使用較高的去噪強度（例如 0.8）以及特定提示詞（例如「corn, james gilleard, atey ghailan, pixar concept artists, stardew valley, animal crossing」）以確立整體風格。
  3. Manual Refinement：藝術家使用影像編輯軟體（如 Photoshop 或 GIMP）在不理想的區域上繪製或簡化複雜細節。
  4. Subsequent AI Passes：將修改後的圖像再次輸入 Image2Image，使用較低的去噪強度（例如 0.6）以精練細節，同時不偏離手動修正太多。
  5. Final Polish：最後進行手動編輯，移除背景並清理雜訊，使資產達到可直接投入遊戲的狀態。

克服生成挑戰

若模型的訓練資料偏向特定解讀，生成特定工具可能會變得困難。例如，製作農業用的鐮刀可能會遇到挑戰，因為模型可能將「scythe」與武器的關聯度較高，而非農具。

更佳控制的策略

  • Prompt Engineering：在提示詞中使用如「scythe tool」等具體詞彙，或在負向提示中加入「weapon」以引導模型。
  • Model Customization：如 Dreambooth、textual inversion、LoRA 等技術，可自訂擴散模型，使其產出更符合特定風格或物件的結果。
  • Specialized Services：像 layer.ai 與 scenario.gg 這類平台專為遊戲資產生成而設計，利用自訂技術確保整個專案的風格一致性。

Sources