人物都是游戏人物,梦泪受邀五排，队友全是重量级人物！惊喜发现：国家队人人是王者

秦启电竞，畅谈游戏新热点人物都是游戏人物。

这几年，我国电子竞技的发展是有目共睹的。不久之前，体育总局也正式把电子竞技列为体育竞赛项目。这么一来，电子竞技和传统的体育竞技就有交集，彼此之间的界限会越来越模糊，往后跨界合作将会变得十分寻常。

在过去，KPL和CBA是八竿子都打不着的两种事物。但是在2021年王者荣耀KPL春季赛常规赛开赛之前，却罕见地出现了交集！

梦泪和飞牛作为王者荣耀明星选手受邀出现在了CBA全明星赛的赛场上，思维活跃的小伙伴已经知道这意味着什么了吧？这释放出一个信号，意味着新兴电竞和传统体育项目的结合，此前这是两项不同领域的运动，一项偏向脑力，一项偏向体力。

但是从今往后，他们会有更多的交集，然后慢慢融合到一块，一个全新的时代即将到来。

梦泪和飞牛也通过这一次的活动，认识了许多CBA的知名球星。虽然大家此前来自不同领域，但都是年轻人，所以有很多的共同爱好。梦泪发现，哪怕是篮球运动员，在训练之后也喜欢通过游戏来放松，随后大家各自加了好友约定来日一同组队。

这一天并没有让观众们等多久，26号晚上，赵继伟就向梦泪发出了组队邀请！

如果是别人发来的邀请，梦泪估计会下意识就点了拒绝，但是这可是国家运动员，而且人家还是第一次求组队，那么这必须接受呀。

赵继伟一看梦泪接受了邀请，而且还是一个人，于是也动了心思：“要不就让梦老师看看咱们国家队的平均水平呗？”

说干就干，紧接着赵继伟就找来了女排丁霞，还有刘项韬和韩德君，大家一起五排。

梦泪这一下子也给呆住了：“好家伙，本来以为只有伟哥一个人，但伟哥却把国家队都拉过来了，这除了自己之外，全队都是重量级人物呀，全是国家运动员。”

其中丁霞还调皮地做了一个自我介绍：“大家好，我是中国女排第一王昭君！”

梦泪非常捧场的哈哈大笑，同时还有了新发现，这几位国家队选手竟然全是最强王者段位！

而细心的观众也有收获，丁霞虽然是自我调侃，但自信的语气给予了大家信心，她也许真的就是最强王昭君。梦泪第一次和国家队选手一起五排，对此非常重视，四场比赛全部拿出本命英雄，韩信、马超、澜和镜轮流登场，每一位英雄的登场都能带来满堂喝彩！

结局自然不用多说，作为技术主播的梦泪包揽了每一场的MVP，但是国家队选手的实力同样出乎观众们的意外，没想到他们的技术水平也同样上得了场面，如果不是梦泪的锋芒掩盖，他们也能CARRY游戏。

个人总结：这只是一个开始，电子竞技往后估计还会和足球以及其他运动出现，慢慢的融入到生活的方方面面，各位小伙伴，你们觉得呢？

中外团队研发深度学习方法，单张照片即可自动生成定制化游戏角色

近年来，视频游戏开发者和计算机科学家一直在尝试开发一些全新的技术，让玩家能够拥有更加逼真、引人入胜的沉浸式游戏体验，这些方法中就包括自动创建以真人为原型的电子游戏角色。

而现有的创建和定制电子游戏角色的方法，大都需要手动调整角色的面部特征，以便重新创建自己或其他人的脸。除此之外，一些开发者还试图开发一种方法，通过分析真人的面部图像，来自动生成定制化的游戏角色。然而，这些方法几乎都尚不完善，不但效果难以得到保证，而且很难做到以现实的方式重现其分析的面孔。

图 | 输入肖像与生成的游戏角色（来源：arXiv.org）

网易伏羲人工智能实验室和密歇根大学的研究人员最近开发出一种深度学习技术 MeInGame，可以通过分析单个人脸照片自动生成游戏角色的面孔，做到与真实的人脸非常接近。

该研究成果于今年 2 月在预印本平台 arXiv.org 发表，标题为《MeInGame：用一张肖像创建游戏角色》（MeInGame:Create a Game Character Face from a Single Portrait）。

开展这项研究的科研人员表示，“我们提出的这种自动的角色人脸创建方法，可以预测出单个人像的面部形状和纹理，并可以集成到大多数现有的 3D 游戏中。”

据悉，此前的一些自动角色定制系统主要是基于 3D 变形脸模型（3DMMs）计算技术来生成作品。虽然其中不乏有一些方法可以比较精确地复制人脸特征，但这些方法表示几何属性和空间关系（即拓扑）的方式通常与大多数 3D 电子游戏中使用的网格存在差异。

图 | 不同方法生成图像的对比图，最后一列为基于 3DMM 方法的结果（来源：arXiv.org）

一般而言，只有经过大型图像数据集以及纹理数据的训练，3DMMs 才能做到再现人脸的纹理，而编译这些数据集则需要耗费大量的时间。而且，这些数据集并不能把自然场景下收集的真实图像全部涵盖进去，这样一来，可能会使其训练的模型在呈现新数据时，无法拥有持续良好的表现。

为了克服这一难题，该研究团队选择直接在自然场景下的图像数据集上，对他们的技术进行技术。

此外，他们还创新性地提出了 3 大技术方法：低成本的人脸纹理获取方法，将三维网格的形状转换为游戏形状的传递算法以及一种新的训练三维游戏人脸重建网络的管道。

“给定一张待输入的人脸照片，我们首先根据 3D 变形人脸模型（3DMM）和卷积神经网络（CNNs）重建一张 3D 人脸，然后将 3D 人脸的形状转移到模板网格中。该网络以人脸照片和去包裹的粗 UV 纹理图作为输入值，然后预测出光照系数和细化纹理图。” 研究人员解释道。

经过系列实验的评估，并将其开发的深度学习技术生成的游戏角色与其他现有的方法生成的角色面孔进行对比，发现他们研发的方法表现优异，能够生成与输入图像非常相似的角色面孔。

在这篇论文中，研究人员指出，他们所提出的方法不仅可以生成与输入画像相似且生动的游戏角色，而且还可以消除光线变化、阴影和遮挡对图像产生的影响，忠实地还原人像个性化的细节，如肤色、妆容和皱纹等。

“实验表明，我们的方法优于现有游戏中使用的最先进的方法。” 研究人员表示。

目前，MeInGame 模型的代码和用于训练它的数据集已经发布在网上，全世界的游戏开发者都可以通过 github.com 访问该模型。