使用Stable Diffusion生成《红色警戒》风格的游戏资产

埃曼纽尔·德·梅斯特（Emmanuel de Maistre），初创公司Scenario的首席执行官和联合创始人，展示了今天从神经网络可以获得的游戏资产的水平。

同时，他在自己的Twitter页面上分享了自己如何实现这一成果，创建一个灵感来自他喜欢的游戏– 红色警报的碉堡。

首先，埃曼纽尔通过Midjourney生成了超过200个具有游戏氛围的建筑。

他从中选择了16张相互之间有着显著差异的图像，但仍然保持在一定一致风格的范围内。

这些图像成为了Scenario_gg训练的参考，构建于以生成游戏资产为导向的Stable Diffusion模型上（顺便提一下，该模型目前尚未发布，alpha版本的发布预计在未来几周内进行）。

在模型经过训练后，埃曼纽尔开始向它发出命令，要求基于获得的参考图像生成不同类型的建筑，并通过文本请求实现。

据埃曼纽尔所说，神经网络成功地完成了大多数他的命令。例如，以下是生成的核电站：

神经网络根据“工厂”的请求提供了这样的精灵选项：

再举个例子——清污厂：

但埃曼纽尔对苏联的碉堡并不满意。

因此，他决定以一个具体模型为基础生成一组碉堡。也就是说，保留文本请求“碉堡”，但同时要求神经网络只参考一张具体图像。

然后埃曼纽尔更改了初始图像，保持之前的请求。碉堡的样式发生了很大变化。它们已经不像工厂建筑了，但也只是远远地与碉堡相似。

在进一步的实验中，Scenario的联合创始人达到了他满意的结果。

接着，他依靠让自己满意的模型，通过细化请求开始进行自定义。最初的请求“等距碉堡，真实，苏联旗帜，红色，视频游戏”生成了如下的碉堡：

而请求“等距碉堡，真实，美国旗帜，蓝色，盟友，视频游戏”则生成了如下：

通过更改初始图像和文本请求，他成功生成了一组镶嵌在不同环境中的碉堡：

原创线程中还有其他示例。例如，如果开发者想生成以《辐射》游戏风格的破坏雷达，神经网络会提供哪些选项。

这并不是埃曼纽尔第一次在社交媒体上讨论神经网络在生成游戏资产上的潜力。今年11月初，他曾制作过一瓶药水。