Professional Documents
Culture Documents
AI40 2020 Zlatan Hasanović Teorijski Rad
AI40 2020 Zlatan Hasanović Teorijski Rad
Zlatan
Hasanović
AI 40/2020
Primena i uticaj
veštačke inteligencije u
industriji vizuelnih
efekata
Sadržaj
Abstrakt ............................................................................... 3
Uvod ................................................................................... 3
VFX produkcija .................................................................... 4
Veštačka inteligencija i njena primena u VFX toku............... 9
Automatsko rotoskopiranje ................................................ 14
Automatska manipulacija scenom ..................................... 17
Primena dubokog učenja (Deepfakes)............................... 27
Digitalizacija pokreta (Motion capture) ............................... 31
Podmlađivanje i postarivanje ............................................. 33
Promene u koloru i stilu na osnovu narativa ...................... 39
Ostale tehnike ................................................................... 40
Zaključak ........................................................................... 43
Reference ......................................................................... 46
2
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Abstrakt
Digitalni vizuelni efekti su bio deo filmske industrije još od početaka tehnološke
revolucije i prvih digitalnih tehnologija. S napretkom tehnologije, kvalitet vizuelnih efekata u
filmovima raste sve više i više. Danas, kada je veštačka inteligencija jedan od ključnih
elemenata tehnološke stvarnosti, njen uticaj na ovu sferu računarske grafike i filmske
umetnosti je idealan za analizu. Pored višestruke primene u automatizaciji nekih procesa,
generisanju novih kreativnih sadržaja, mogućnosti veštačke inteligencije deluju kao da će
biti sve veće i veće. Iako je malo verovatno da će ona zameniti čoveka, de fakto će uticati
na smanjenje broja ljudi koji rešavaju određene probleme, kao i na ubrzavanje procesa koji
bi običnom radniku oduzimao vreme i snagu. Pitanje je, šta su konkretni alati koji se već
koriste i koji će se koristiti i kako će globalno rasprostranjavanje uticati na razvoj
automatizacije procesa u vizuelnim efektima pomoću veštačke inteligencije.
Uvod
Prvi razvoj digitalnih vizuelnih efekata je počeo još od početka razvoja digitalne
industrije, tj. pojavom prvih digitalnih alata koji su korišćeni za potrebe vizuelnih efekata u
filmovima (što je bilo početkom 80-ih godina prošlog veka) (Ong, V. (2021). Artificial
intelligence in digital visual effects). Iako u početku tehnologija nije bila dovoljno
optimizovana da generiše ili manipuliše visoko kvalitetnim sadržajem, dalji razvoj (tokom
90ih godina prošlog veka), odnosio se na poboljšanje pre svega kvaliteta, ali i uporedno
resursa kako bi se postigao značajan balans a sadržaj bio dovoljno uverliv. Najbolji primer
primene i sinteze tada novih tehnologija sa digitalnim vizuelnim efektima je u filmovima kao
što u Terminator 2: Judgement Day (1991), The Matrix (1999), i dr. [1].
Iako je termin vizuelnih efekata (koji se u praksi označava skraćeno VFX i biće
korišćen i ovde kao takav) vezan i za praktične i za digitalne efekte, razvoj tehnologija je
uticao najviše na taj prelaz za praktičnih na digitalne efekte. To dokazuje da su i praktični i
digitalni efekti bili uvek zavisni od budžeta, tehnologije i logistike koju je moguće upotrebiti
u svrhu kreiranja vizuelnog sadržaja, kako za film, tako i za real-time tehnologije kao što su
igrice [2]. Pod vizuelnim efektom smatra se ,,bilo koji sadržaj koji je kreiran, kojim je
manipulisano ili koji je korigovan za potrebe filma ili nekog drugog medija kako bi se
obezbedilo nešto što nije moguće postići u stvarnosti bez tehnologija ili adekvatnog budžeta
[...]“ ,, [...] Oni, ukoliko su dobro odrađeni nam doprinose da scenu u odnosu na priču i na
to šta predstavlja, doživimo kao integralnu celinu koju mi celokupno prihvatamo bez sumnje
da je veštački kreirana“ (Okun, J. A. et al. 2010).
Ako se uzme u obzir samo tehnološki koliko je VFX industrija napredovala u zadnjih
30 godina, onda su rezultati zapanjujući. Međutim, u najnovijoj, trenutnoj tehnološkoj
revoluciji, koja je zapravo počela davno kada su prve metode mašinskog učenja nastale,
ali tek je sad u svojoj kulminaciji, ne samo industrija vizuelnih efekata, već i veliki broj drugih
sfera pada pod uticaj veštačke inteligencije i njenih metoda (kao što su mašinsko i duboko
učenje, neuralne konvolucione mreže, i sl.). Veštačka inteligencija predstavlja simulaciju
ljudskog načina razmišljanja i automatsko rešavanje određenih problema i zadataka od
strane računara ili drugih mašina. Njen proces uključuje akviziciju podataka, obradu i
3
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
trening mašine da razmišlja poput čoveka pri rešavanju konkretnog zadatka, kao i
realizacija tog procesa na osnovu nekih od prethodno navedenih metoda [2]. Takođe
veštačka inteligencija ima opštu skraćenicu AI (Artificial intelligence) koja će biti korišćena
kao i VFX da se ne bi svaki put pisala čitava sintagma. Isto tako i CG i CGI skraćenice
označavaju Computer Generated Imagery i Computer Graphics (ili isto Generated),
respektivno.
Da li i kako veštačka inteligencija utiče na tok procesa i podataka u VFX industriji?
Kako utiče na savremeni rad i radna mesta onih koji tu rade? Koje tehnike koriste ili su u
razvoju? Koji konkretni alati postoje za industrijsku ili individualnu upotrebu? Koliko dugo
su već neki od tih metoda zastupljeni? Šta je budućnost ovog spoja? To su neka od ključnih
pitanja na koje se osvrće ovo istraživanje čiji je cilj da se dođe do konkretnih primena, kao
i razumevanja uticaja novih AI tehnologija u ovoj industriji sa svojim prednostima i manama.
Glavna hipoteza ovog rada je: Veštačka inteligencija će promeniti VFX
industriju, ali neće nikada zameniti ni čoveka, kao ni kompletan tok procesa.
Kao dva glavna izvora ovog istraživanja sa najsličnijim problemima i temama
istraživanja, uzeti su master rad Viktora Onga [2] i doktorska disertacija Anastasije
Čabanove [3], kao i mnogi od radova koji su oni koristili u svojim istraživanjima kako bi došli
do odgovora na postavljena pitanja. To uključuje i radove koji se bave konkretnim alatima
i konretnim metodama za razvoj, kao što su AlphaGD alat (Yunpeng, Li. Film and TV
Animation Production Based on Artificial Intelligence AlphaGd, 2021), Flux sistem koji se
pominje u radu Yaxing Li-a (Yaxing, L. Research on the Application of Artificial Intelligence
in the Film Industry, 2022) ili primena dubokog učenja za Deepfake tehnologije (Saiyad, M.
Akram, H. Vivek, D. Deepfakes Technology Using Artificial Intelligence, 2021).
VFX produkcija
Pre pregleda odnosa sa veštačkom inteligencijom, potrebno je definisati i proći kroz
tokove procesa, podataka i resursa u VFX produkciji, kao i videti koliko ljudi tu učestvuje,
koji su njihovi zadaci i gde tu potencionalno može doći do najviše promena (ako već do
nekih nije ni došlo) razvojem novih tehnologija.
Zašto je bitno adresirati sve ove elemente oblasti? Iako ne postoji fiksni sastav i
struktura procesa i raspodele, bitno je znati bar okvirno koji procesi i koja radna mesta
mogu biti ili već jesu na udaru razvoja tehnologija kako bi se i tehnike i procesi ili ubrzali ili
unapredili. Ovo je iz razloga što je industrija vizuelnih efekata trenutno pod okriljem korenitih
i dubokih promena, kako u tehničkim, tako i u organizacionim delovima (Kaufman, 2019.
Kaufman, 2020. Failes, 2020. Visual Effects Society, 2020).
U svojoj doktorskoj disertaciji, VFX – A new Frontier: The Impact of Innovative
Technology on Visual Effects (2022), Anastasija Čabanova je svoje istraživanje bazirala na
pitanjima kako nove tehnologije utiču na promene u industriji vizuelnih efekata, ali isto tako
kako se radnici nose sa ovim promenama i koliko to menja njihov pristup u radu.
Prvenstveno, treba proći kroz procese u toku vizuelnih efekata i radna mesta koja
su uvezana za te iste procese. Naravno, treba napomenuti da procesi nisu identično
raspoređeni u svim kompanijama i strukturama u industriji i da broj radnih mesta tj. ljudi
4
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
koje obavlja različite procese, kao i sam broj procesa nije uvek isti, ali postoji nekakva
struktura i organizacija koja bi se mogla nazvati tipičnom.
Na slici 1 je prikazan dijagram koji ukazuje na neke od ključnih procesa u ovom toku,
kao i nazive radnih mesta tj. radnika koji se bave određenim procesima u tom toku. Crnom
bojom su naznačeni sami procesi, dok su belom bojom naznačena radna mesta tj. radnici
(u ovom slučaju nije numerički već poziciono definisano) koji obavljaju odgovarajuće
poslove [3].
Slika 1 – Tipična podela uloga i radnih mesta na osnovu istih u VFX industriji (nije fiksno i
zavisi od konkretnih slučajeva ali može se uzeti kao jedan od modela) [3]
Pipeline management – tim koji sprovodi kontrolu nad tokovima procesa i tokovima
podataka kako bi kompletan VFX proces prošao onako kako je planirano. Pod pipeline-om
se smatra bilo koji šablon koji predstavlja ugnježden skup procesa i podataka koji mogu a
ne moraju da se dešavaju paralelno, isto tako redosled kojim se dešavaju nije fiksan
(Chabanova, A. (2022)). Jedan od procesa na koji se možda ne pomisli momentalno kada
se razmišlja o tome kako će AI tehnologije uticati ili zameniti procese u ovoj industriji. Kao
što se može videti na dijagramu, organizaciju i kontrolu rada vrši nekoliko (u ovom slučaju
5) različitih odgovornih lica koji snose odgovornost za funkcionalnost i kvalitet dobijenog
sadržaja.
5
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Kao što se može videti na dijagramu, procese koji se odnose na CGI i renderovanje,
radi najveći broj ljudi, dok na procesima kao što su previzuelizacija i sl. rade umetnici ili
individualno ili u manjim grupama.
Ova radna mesta su u nekoj klasičnoj arhitekturi standardna, ali sada ta radna mesta
iza sebe kriju čitav proces VFX produkcije koji je kompleksan i pun procesa i potprocesa
koji su međusobno uvezani tako da formiraju celinu produkcije. Različiti autori, različite
koorporacije, kao i različiti studiji u zavisnosti od broja ljudi i budžeta imaju različiti program
po pitanju VFX produkcije, međutim, može se reći da je standardna podela VFX industrije
na tri ključne faze (Chabanova, A. 2022, Ong, V. 2021):
• Predprodukcija
• Produkcija
• Postprodukcija
Različiti autori, različite procese drugačije raspoređuju, tako na primer Anastasija
Čabanova koristi dijagram toka prikazan na slici 2 (Chabanova A., 2022).
Sa druge strane, imamo dijagram na slici 3 koji je Viktor Ong prikazao u svom radu.
Ono što se može primetiti je da je suština celog procesa skoro pa ista, ali da je na primer
postoje razlike koje uključuju raspored procesa u ovim tokovima, kao na primer plasiranje
teksturisanja, rigovanja, dizajniranja osvetljenja, animacije, rotoskopije, itd. gde u dijagramu
na slici 2 oni pripadaju fazi produkcije, dok u dijagramu na slici 3 pripadaju fazi
postprodukcije. Ovakvi rasproedi variraju od konkretnih slučajeva i nisu nužno pravila, ali
je poenta da je uvodni deo baziran na istraživanju i testiranju, a krajnja faza bazirana na
compositing-u tj. spajanju svega u celinu.
Slika 3 – Dijagram klasičnog VFX toka procesa – tri ključne faze i procesi unutar njih
(Ong, V. 2021)
7
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
8
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Kada smo odgovorili na pitanje šta je industrija vizuelnih efekata, ko sve u njoj radi i
koji sve procesi se tu dešavaju, treba se osvrnuti na pojam veštačke inteligencije i načina
na koji ona utiče ili se primenjuje u ovoj industriji.
Veštačka inteligencija (AI) predstavlja sisteme koji koriste metode mašinskog
učenja, neuralnih mreža i mnoge druge kako bi simulirale ljudski način razmišljanja u okviru
računara (Ong, V. 2021). Međutim, u zavisnosti od kvaliteta veštačke inteligencije, možemo
je podeliti na dve osnovne kategorije [6]:
• Slaba veštačka inteligencija – običan vid inteligencije koji samo simulira
ljudski način razmišljanja, ali zbog nemogućnosti mašine da kompletno koristi
ljudsku logiku i metodologiju, ovakav vid inteligencije može služiti samo za
najprostije zadatke
9
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Kao što se sa slike može videti, najveći uticaj i/ili zamena i ubrzanje poslova bi
trebalo da bude (ako već nije) u procesima matchmoving-a, rotoskopije i CGI delu toka.
Sa druge strane, drugi autori, kao što je Viktor Ong smatraju da je uticaj AI sistema
spreman da VFX industriju promeni kroz različite faze. Ove faze bi se odnosile na faze
razvoja različitih alata, kako za masovnu kompanijsku, tako i za individualnu ili manju
produkciju. Ceo proces zauzimanja određenih delova produkcije bi se sveo na tri osnovne
faze. Za svaku od faza bi bilo potrebno oko 2-3 godine u razvoju kako bi se omogućio
prelazak na sledeću (Ong, V. 2021).
Slika 5 – Prva faza ulaska AI sistema u tok VFX produkcije (Ong V.,2021)
10
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
11
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 7 – Treća (verovatno finalna) faza primene AI sistema u VFX toku (Ong, V. 2021)
Treća faza (slika 7) će biti faza u kojoj će AI sistemi biti implementirani kao većinski
deo produkcijskih procesa. Ovo će se odnositi najviše na CGI deo procesa koji će biti
izložen neuralnim mrežama i sličnim sistemima.
Ovo uključuje razne manipulacije, kao što su menjanje scene iz dana u noć,
menjanje različih struktura objekata na sceni, njihovo izolovanje na brz i efikasan način. U
sistemima za matchmoving tj. tracking praćenje putanje kamere i ispravljanje perspektive
biće gotovo automatsko i uz pomoć raznih alata biće moguće izmene nad realnim i
sintetičkim objektima na sceni u realnom vremenu. Na dijagramu sa slike 7 može se
primetiti da je poprilično mali deo VFX toka ostao bez uticaja veštačke inteligencije. To se
najviše odnosi na procese koji zavise od želje i zadatka korisnika jer na kraju krajeva,
korisnik je taj koji bira zadatak i traži ulazne podatke što je glavni dokaz da AI nisu sistemi
koji rade šta oni žele već asistiraju čoveku u obavljanju nekih procesa koje on želi (Ong, V.
2021).
Pored alata za manipulaciju, u trećoj fazi biće usavršeni alati za generisanje i
kreiranje samog sadržaja tako da funkcionišu uverljivo u realnom vremenu što omogućava
autorima da ubrzano i interaktivno generišu raznolike karaktere i druge 3D sadržaje [7].
Kako će ovo dalje eskalirati, moguće je samo pretpostavljati. Zbog toga treba
razumno koristiti i analizirati AI sisteme kako bi njihova primena bila delotvorna. Zbog
različitih mišljenja, moguće je da čak mnoge kompanije i koorporacije neće ni prihvatiti neke
od sistema u ovoj industriji što je ponovo subjektivno. Vrlo je verovatno da će većina ovih
sistema biti primenjena u navedenim delovima toka ali da neće zameniti radnike kao ni
kompletne procese.
12
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 8 – Koji su delovi VFX toka kao dela kompletnog video toka koji su na najvećem
udaru promena trenutno (Chabanova, A. 202,2)
Sada kada smo prošli kroz suštinu VFX produkcije i njenih procesa, kao i veštačke
inteligencije i njene primene u svemu tome u nekom opštem smislu, vreme je da se
osvrnemo na konkretne pristupe. To bi bile konkretne tehnike, kao i konkretni alati koji se
razvijaju za poboljšanje ili automatizaciju procesa u već opisanom VFX toku.
Neki od ključnih procesa koje ćemo preći su:
• Automatsko rotoskopiranje
• Automatska manipulacija scenom
• Deepfake tehnologije i njihova primena
• Primena u digitalizaciji pokreta (motion capture & analysis)
• Primena u podmlađivanju i postarivanju glumaca (Flux i drugi sistemi)
• Primene u kreativnom delu posla (promene u kolor korekciji, efektima
baziranim na narativnom stilu sadržaja i sl.)
Takođe, biće reč o raznim drugim tehnikama i primerima koji se mogu smestiti u
neke od onih procesa navedenih u VFX toku. Pored toga, pomenućemo i još neke
konkretne alate kao što je AI sa UAVs (Unmanned aerial vehicles) koji uz veliki broj drugih
alata mogu da se koriste u okviru CGI i sličnih procesa vezanih za VFX tok.
Automatsko rotoskopiranje
Rotoskopiranje je poprilično stara tehnika. Prvi put razvijena još 1917. godine,
predstavljala je vid segmentacije i projekcije objekata sa snimka tj. filmske trake na staklo,
a potom manuelno docrtavanje elemenata i uklapanje sa drugim snimkom. Za ove potrebe
se koristio uređaj koji se naziva rotoskop po kome je tehnika i dobila ime.
Daljim razvojem tehnike prelaskom na digitalne medije i podatke, omogućeno je da
korisnik manuelno putem računara vrši rotoskopiju. Ovaj napredak tehnike je došao 90ih
godina prošlog veka pojavom softverskog alata Colorbust.
Iako je inovacijama u tehnologiji nazivanje ove tehnike rotoskopijom obesmišljeno
jer je metodologija digitalna putem računara, ovaj naziv se zadržao i sada svi koji vrše
segmentacije i enumeracije objekata na sceni i njihovo uređivanje se u industriji i dalje
nazivaju roto umetnici.
Razvojem mašinskog učenja i numeričke analize, rotoskopija danas može da se
smesti u tehniku u sferi obrade i analize slike koja se naziva segmentacija slike (image
segmentation) gde se uz pomoć algoritama kao što su morfološke operacije bazirane na
Bulovoj algebri, segmentišu objekti na sceni.
14
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Pošto je bitno imati uvid u organizaciju podataka, često se koristi neki vid enumeracije kao
što su numerička ili slovna. AI sistemi su u razvoju tako da je moguće u realnom vremenu
koristiti ove sisteme tako da se objekti na sceni izoluju i enumerišu automatski na osnovu
ulaza korisnika. Za ovu svrhu manipuliše se ulaznim podacima kao što su itnenzitet
osvetljaja piksela, pojava korera kao preseka ivica gde postoji jasna razlika između
osvetljaja u pikselima i sl. (Ong, V. 2021). Primer automatske selekcije i numeričke
enumeracije je na slici 9.
Pošto je rotoskopija jedna od tehnika koja je već odavno na udaru napredaka zbog
tehnoloških inovacija, alati koji se razvijaju su ne samo danas, već duže vreme dostupni i
za individualnu upotrebu korisnika. Tako na primer OpenCV (Open Source Computer
Vision) je programska biblioteka razvijena za potrebe korišćenja metoda obrade i analize
slike, kompjuterske vizije i drugih kognitivnih alata kojima se može vršiti segmentacija
odnosno rotoskopija elemenata sa slike i njihovo dalje uklapanje sa drugim elementima
slika i snimaka. Za ove potrebe, primer na slici 10 prikazuje individualnu upotrebu
kompjuterske vizije (AI metodologije u računarskoj grafici za kognitivne postupke
prepoznavanja elemenata slike) gde su pomoću kompjuterske vizije segmentisani
prefinjeni delovi dlaka kose tako da kompozitna slika bude uverljiva (Ong, V. 2021).
15
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Još jedna metoda digitalne rotoskopije tj. segmentacije se naziva stereo konverzija.
Ta metoda predstavlja detekciju baziranu na korišćenju tracker-a i depth mapa gde se
kasnije dva susedna frejma upoređuju i ispravljaju se loše selekcije na svakoj njihovom
uporedbom (zbog čega naziv i nosi ime stereo u sebi) [8].
17
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Neki od glavnih nedostaka ove tehnike bi bili sporo učenje algoritama, otežana
tačnost pri slikama sa velikim dinamičkim opsegom i velikom prostornom rezolucijom, lošiji
rezultati pri većoj raznovrsnosti u bojama i intenzitetima piksela, pojava artefakta na
pikselima (stepeničaste strukture i sl.), i dr. Iako ima još mnogo prostora za napredak,
tehnika je inovativna i njen razvoj je budućnost semantičke analize i obrade slika koje će u
procesima generisanja i izmene pozadina pri kompoziting fazama vizuelnih efekata biti jako
važne (Bau, D. et al.).
18
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Još jedna, možda i najveća mana ovog sistema je to što je interakcija sa korisnikom
maltene nemoguća. Sistem automatski generiše scenu u različitim vremenskim intervalima
i uslovima ali bez ulaznih parametara što ga čini ne baš toliko prikladnim za namenu VFX-
a jer ne možemo generisati tačno ono što želimo. Jesu rezultati kvalitetni, ali ograničenja
su velika (Ong, V. 2021).
Zbog toga, u radu Manipulating Attributes of Natural Scenes via Hallucination
(Karacan, L. et al. 2019) je prezentovan sistem mašinskog učenja sa dva stadiuma (stadium
za učenje i stadium za testiranje) gde je moguće direktno manipulisati obeležjama prirodne
(realne) scene visokog kvaliteta (slika 15). Ovo nadoknađuje ograničenja prethodno
predstavljenog sistema gde je interakcija sa korisnikom pojačana do nivoa da je moguće
da korisnik direktno manipuliše scenom po svojoj želji.
Kao što je već rečeno, sistem se sastoji iz dva stadiuma, stadium učenja i stadium
testiranja. Najveći izazov koji je pred sebe stavila grupa koja je kreirala ovaj sistem i
analizirala njegove mogućnosti je bio uspeh u uverljivoj promeni i rezultatu semantički tačne
i visokokvalitetne slike. Tri ključne ideje sistema i ljudi koji su ga izložili u radu su sistem
od dva stadijuma sa visokokvalitetnim rezulatom na osnovu obeležja slike, GAN
(Generative Adversarial Network) mreža za povezivanje i geneirasnje uverljivih scena i
skup podataka eksterijerne scene sa prolaznim obeležjima [11].
19
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 15 – Sistem za direktnu manipulaciju realnih slika prirode (Karacan, L. et al. 2019)
Postavlja se pitanje kako ovaj vektor šuma može da utiče na izlazni rezultat.
Manipulacijom njegove vrednosti, moguće je koristiti standardnu devijaciju za proizvođenje
stohastičkih varijacija u neregularnim ili stohastičkim regionima teksture slike (slika 17).
Pored i standardne, postoji i uslovna GAN mreža (CGAN – Conditional Generation
Network). Ona uključuje dodatna ograničenja zarad poboljšanja kvaliteta izlazne slike. Za
ulazni kontekstni vektor kao sporednu informaciju c, generator G (z,c), uzima i informacije
o nasumičnom vektoru šuma i sporedne informacije. Sa oba ova podatka pokušava da
sintetiše realističnu sliku koja odgovara svim uslovima. Ovoga puta i u diskriminator se
ubacuje uslov koji zahteva da pored poređenja i odabira prave i lažne slike, proveri i da li
slike ispunjavaju uslovni vektor c. Ovime se vrši automatizacija i moguće je da korisnik
manipulacijom ovog uslovnog vektora kontroliše kvalitet izlaznih podataka (Karacan, L. et
al. 2019).
21
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 18 – Arhitektura SGN sistema sa dva mrežna podsistema (Karacan, L. et al. 2019)
Sada ćemo proći kroz neke primere i poređenje i kombinacije ove tehnike sa nekim
starijim tehnikama, kao i sa nekim drugim tehnikama respektivno. Neki od rezultata ovog
sistema su prikazani na slici 19.
Slika 19 – Primer generisanih rezultata uz pomoć ovog sistema (SGN mreža) (Karacan,
L. et al. 2019)
22
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
23
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Ovo naravno nije ni prva, a ni poslednja tehnika koja obavlja ove funkcije i ima
ovakav sistem. Tako na primer dve starije tehnike Pix2pix i Pix2pixHD su upotrebljene sa
istim ulazima kao i za SGN sistem, pa su rezultati sva tri sistema upoređeni (slika 22). Ono
što čini SGN sistem boljim je činjenica da koristi i prolazna obeležja kao podatke što
omogućava veće varijacije i uverljivije prikaze.
Slika 22 – Poređenje promene scene ulaznim podacima koje zadaje korisnik crtanjem
raspodele, gde su svi rasporedi i ulazne slike identični, a tehnike su različite (SGN,
Pix2pix, Pix2pixHD) gde SGN daje očevidno najbolje i najuverljivije rezultate (Karacan, L.
et al. 2019)
Model daje dobre rezultate ako su i ulazni podaci o raspodeli komplikovani. Tako je
na slici 23 prikazano ,,igranje” sa prolaznim obeležjima i rezultati generisanja.
Ovaj sistem je čak primenjen i na pejzažima poznatih slikara (Van Goga, Miljea,
Žižua) i pokazano je da je moguća manipulacija čak i sa ovakvom vrstom medija (slika 25).
Slika 25 – Slike pejzaža Van Goga, Mijea i Žižua u kolonama respektivno, manipulisane
sa SGN sistemom i rezultati manipulacije (Karacan, L. et al. 2019)
25
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Naravno, ne postoji savršena metoda, pa su i sami autori izložili neke od grešaka pri
generisanju ovog sistema. Razlozi za greške su različiti. Tako na primer na slici 26 su
prikazane tri greške pri generisanju ovog sistema. U prvom redu na slici, prikazana je
greška čiji je uzrok loša tj. neadekvatna akvizicija vizuelnog sadržaja zbog čega je sama
slika nekvalitetna što za posledicu ima loše razumevanje modela. U druga dva reda su
prikazane greške nastale zbog neuspeha u transferu stila u okviru mreže za transfer stila u
samom sistemu.
Slika 26 – Tri primera grešaka nastalih zbog različitih razloga (loše akvizicije, greške u
sistemu) (Karacan, L. et al. 2019)
Slika 27 – Duboki model koji ulanja obstrukcije kao što su stakla, zidovi, ograde i sl.
(Ong, V. 2021)
Kao i kod drugih AI sistema, proces se sastoji iz neka dva osnovna koraka, a to je u
ovom slučaju uzorkovanje i treniranje, kao uvdona faza, a potom obrada skupa
podataka i generisanje/manipulacija sadržajem kao završna faza sistema).
.Faza uzorkovanja podataka i treniranje se svodi na ulazne podatke koji se
prosleđuju enkoderu koji zapisuje informacije o njima a potom dekoderu koji dešifruje
informacije. Za mašinsko učenje se najčešće korsiti duboka metoda kao što je DNN
(Dynamic Neural Networ). Ove dinamičke neuralne mreže su jako moćne i mogu se
pohraniti izuzetno velikom količinom podataka, kao i utrenirati se da razumeju veliku
količinu istih tih podataka. Još jedan proces koji je moguć u okviru ovih mreža je automatski
enkoder koji ubrzava proces uzorkovanja tako da praktično svodi ovaj ceo prvi korak na
uvezane procedure uzorkovanja podataka i treniranja algoritma. Slika 29 ilustruje šemu
automatskog uzorkovanja (autoenkodera) koji se koristi za smanjenje greške prilikom
generisanja ili rekonstrukcije sadržaja (Saiyad, M. et al. 2022).
Slika 29 – Šema kodiranja podataka – enkoder, dekoder, prostor latentnosti (obrade) koje
zamenjuje autoenkoder u okviru dinamičkih neuralnih mreža
28
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 30 – GAN mreža, slična kao ona kod sistema za manipulaciju scenom ovog puta
ukombinovana sa automatskim enkoderom iz prvog koraka duboke metode (Saiyad M., et
al., 2022)
Kao što se može pretpostaviti, primena ovakvih sistema je više nego pogodna za
VFX industriju. Zbog računarske i matematičke kompleksnosti ovakvih sistema, pomisli
bismo da je ovo metoda koja se primenjuje tek od skoro. Međutim stvar nije takva. Već
prototipove ovakvih sistema, visokobudžetne holivudske produkcije su koristile još 90ih za
vreme velike revolucije u VFX industriji. Na primer, u Oskarom nagrađenom filmu Forrest
Gump (1994), glavni lik koga tumači Tom Henks upoznaje Džona F. Kenedija (koji je ubijen
oko 30 godina pre produkcije tog filma). U tu svrhu, prototipi ovih metoda su korišćeni za
generisanje Džona F. Kenedija na osnovu snimaka glumca koji ga je tumačio. Metode su
bile skromne zbog račuanrske zahtevnosti i trenutnog stanja u tehnologiji, ali su uspele da
prikažu relativno kvalitetan prikaz Džona F. Kenedija koji je razgovarao sa glavnim likom
filma (Saiyad M., et al., 2022).
Ove tehnologije u toku njihovog razvoja, a i danas mogu da se primene najviše na
dva tipa problema u VFX industriji a to su – generisanje velike grupe ljudi velikog diverziteta
u fizičkom izgledu i generisanje ili manipulisanje (uglavnom licima) glumaca koji su
preminuli ili ih je potrebno podmladiti (čemu će biti posvećeno posebno poglavlje) a
neophodni su po scenariju. Najbolji primer ovoga je u tehnologijama vrednim miliona dolara
koje su korišćene u okviru Disney produkcije filma Rogue One: A Star Wars Story (2016),
a potom i Star Wars Episode VIII: The Last Jedi (2017) i Star Wars Episode IX: The Rise
of Skywalker (2019). Najpre u Rogue One filmu, kada su prvi put korišćene ovako moćne
tehnologije, generisani su 3D modeli koji funkcionišu u realnom vremenu pomoću deepfake
tehnologija. Ovo je bilo potrebno da se rekreiraju pre svega lica likova Grand Moff Tarkin-
a i Princeze Leje. u slučaju princeze Leje, bilo je neophodno podmladiti je do uzrasta u
kome je snimala prvi film iz Star Wars franšize, a kod Grand Moff Tarkin-a, bilo je
neophodno generisati ga jer je glumac koji ga je tumačio u originalnom filmu preminuo
29
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
30
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
31
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 34 – Glitch – sakupljanje i šuma prilikom akvizicije podataka, ne stopira ali narušava
kvalitet akvizicije (Knight, J. et al. 2022)
32
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Podmlađivanje i postarivanje
Razvojem novih tehnologija, u holivudskim filmovima sve češće viđamo glumce koji
su podmlađeni i postareni tako da im uzrast odgovara priči filma u kome glume. To se
najčešće može primetiti u franšizama masovnih produkcija gde se glumci koji su nekada
tumačili nekog lika u mlađem uzrastu pojavljuju ponovo da tumače tog lika u istom uzrastu
primenom tehnologija za podmlađivanje. Ovaj vid tehnologija je najčešće baziran na FAP
(Facial Age Progression) sistemima. Ovi sistemi su sistemi dubokog učenja koji predviđaju
ili pretpostavljaju izgled lica osobe u starijem ili mlađem uzrastu od onog uzorkovanog. Kao
i kod drugih sistema dubokog učenja koje smo prošli, ovaj takođe koristi GAN mrežu za
generisanje modela na osnovu uzoraka [18].
Slika 36 – Primer GAN mreže koja generiše promenjeno lice u uzrastu drugačijem od
uzorkovanog ulaza (Grimmer, M. et al. 2021)
33
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Ovi sistemi imaju nekoliko kategorija i tehnika kojima je moguće njima upravljati. Tri
osnovne tehnike su Promena lica kroz starosne grupe, Promena lica na specifičan
uzrast i Kontinualna promena lica kroz uzraste (što se koristi uglavnom za time-lapse
tipove videa). Ovakvi alati se mogu korsititi i za individualnu upotrebu i već su uključeni u
mnoge mobilne i web aplikacije gde je od ulazne slike moguće izmeniti automatski izgled
lica tako da ono bude prikazano u drugom uzrastu (na slici 37 su prikazani neki od primera
manipulacije licima kroz ovakav sistem) (Grimmer, M. et al. 2021).
Slika 37 – Četiri primera uzorkovanih ulaznih fotografija manipulisanih kroz FAP sistem
različitim metodama tako da se dobije isto lice u drugom uzrastu (Grimmer, M. et al.
2021)
34
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
su korišćene još početkom prve decenije 21. veka, ali je možda najupečatljiviji primer bio u
okviru filma The Curious Case of Benjamin Button (2008) [19].
Primer dijagrama koji obuhvata procese i tehnologije koje su korišćene za VFX u
okviru ovog filma je prikazan na slici 38.
Slika 38 – Dijagram inovativnih tehnologija korišćenih za VFX u okviru filma The Curious
Case of Benjamin Button (2008) [20]
35
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 39 – Light stage 5 – Testiranje modela lica Breda Pita koji je generisala veštačka
inteligencija iz baze podataka u različitim svetlosnim uslovima
Kao što je pomenuto kod digitalizacije pokreta, duboko učenje u realnom vremenu
kroz različite sisteme može da da različite rezultate. Kada su u pitanju marker-less pristup
tj. pristup bez obeleživača, najrevolucionarniji i najskuplji pristup je imao VFX tim filma The
Irishman (2019) Martina Skorsezea. Tim je doveo tehniku podmlađivanja i postarivanja na
sasvim nov nivo. Umesto korišćenja fluoroscentnih markera kao što je to bio slučaj kod
Breda Pita, tim Industrial Light Magic je razvio sistem koji bazira pomeraje u realnom
vremenu na osnovu svetlosti. Ovaj sistem se zove Flux. Sistem se sastoji od kamere Three
Headed Monster i sistema dubokog učenja koji obrađuje podatke. ,,Troglavo čudovište” je
sistem od tri kamere gde je jedna glavna kamera a druge dve su infracrvene i snimaju
glumca pod dva različita ugla. Infracrvene kamere su dobre jer vrše akviziciju podataka o
sceni bez senki i standardnog osvetljenja i drže konturu svakog predmeta koji snimaju u
uniformnoj boji. Idealna je za visokokvalitetne stereoskopske akvizicije informacija. Kasnije
se podaci iz glavne i infracrvene kamere šalju u Flux sistem (slika 40). Pored ovog sistema,
koristi se Medusa sistem. To je sistem u vidu biblioteke modela lica glumca prethodno
uslikanim u određenim svetlosnim uslovima i digitalizovanim. Iz biblioteke se odgovarajući
podaci uvezuju sa podacima iz kamere i šalju u sistem. Face finder prestavlja sistem koji
je treniran dve godine da prepoznaje hiljade i hiljade različitih lica koje dobije.
36
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Flux sistem šalje dobijene informacije o modelu na kalibraciju gde uz pomoću face finder-
a (vrste diskriminatora) proverava da li je model u redu. Kao i kod drugih dubokih sistema,
ukoliko diskriminator kaže da model nije odgovarajuć, šalje se negativan rezultat i sistem
ponovo mora da generiše (ili obradi) podatke i pošalje bolji model. Konačno, kada je model
odgovarajuć, on se prosleđuje u izlaz. Najveća prednost ovog sistema je što je glumcima
lakše da budu koncentrisaniji i opušteniji bez ikakvih dodataka, premaza i opreme na licu
ili telu kako bi lakše odglumili scenu a da sistem proprati promene u realnom vremenu i da
kvalitetan rezultat. Naravno, uz veliku prednost, dolaze i velike mane, a to su astronomska
cena i hardverska zahtevnost, kao i rekordno dugo vreme za treniranje algoritma od skoro
2 godine (Yaxing, L. 2022).
Najbolji primer u filmu su Robert Deniro i Džo Peši (na slici 41) kod kojih je sistem
imao najveću i najkvalitetniju primenu.
Slika 41 – Džo Peši pre (levo) i posle (desno) obrade u Flux sistemu [22]
37
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 44 – Primer neuralnog transfera stila sa ulazne teksture (slike) na ulaznu sliku kako
bi se dobila stilizovana slika: slika bašte stilizovana kao Zvezdana noć Van Goga (Antelo,
A. et al. 2019)
39
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Dobar primer korišćena ove tehnike u filmskoj industriji, kada je 2017. rediteljka filma
Come Swim, Kristen Stuart učestvovala u pisanju naučnog rada koji se bavio alatom za
baš ovaj neuralni transfer stila. Alat je razvijen za potrebe stilizacije istog filma i Kristen je
sa timom inženjera uspela da razvije alat koji ima prost način upotrebe (Antelo, A. et al.
2019). Naime, koristi se samo jedan parametar (u), koji predstavlja koeficijent
transferovanog stila. Njegovim povećanjem, povećava se i stilizacija prilikom transfera [27].
Primer frejma iz pomenutog filma u kome je prikazan transfer neuralnog stila sa različitim
vrednostima parametra u je prikazan na slici 45.
Slika 45 – Frejm iz filma Come Swim (2017), rediteljke Kristen Stuart koja je učestvovala
u pisanju naučnog rada i razvoja alata za neuralni transfer stila gde se može videti
menjanje parametra koeficijenta transferovanog stila (u) i vizuelni rezultati (Norén, A.
2017)
Ostale tehnike
Pošto smo prošli većinu tehnika koje se mogu smestiti u određene grupacije i
tematike koje se protežu kroz VFX tok. Ostalo je da pređemo još par tehnika koje se ne
mogu konkretno sortirati u neki od prethodno navedenih tematika, ali su svakako deo CGI-
a ili kombinacija sa hardverom (UAV tehnika), a tiču se vizuelnih efekata i veštačke
inteligencije.
Super-rezolucija (VSR – Vide Super-Resoultion) je tehnologija koja je trenutno u
razvoju. Tiče se korišćenja prethodno već pomenutih GAN mreža koje u realnom vremenu
predviđaju i renderuju koherentne detalje na slikama niske rezolucije u okviru video signala.
Primena ove tehnike u VFX tehnologijama može da rekonstruiše bilo koji deo snimka koji
se oštetio u toku snimanju filma ili prolaska live action dela kroz VFX deo (Ong, V. 2021).
40
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Nažalost ova tehnika i dalje nije u potpunosti razvijena i njeni prototipovi za sad
koriste sisteme kompjuterske supervizije da rekonstruišu koherentne detalje na samo
jednoj statičnoj slici u jednom trenutku (Ong, V. 2021). Primer testa ovakvog sistema na
statičnim slikama je prikazan na slici 46.
Još jedan vid manipulacije slikom koji se kombinuje sa CGI-jem je Portrait Shadow
Manipulation sistem (slika . Ovaj sistem omogućava primenu dubokog učenja u otklanjanju
senki na slici. Ovo se odnosi na senke napravljene različitim objektima, kao i na sopstvene
senke objekata. Ovo je pogodno, jer nekad zbog lošeg osvetljenja prilikom akvizicije snimka
dolazi do kreiranja CGI zamene različitih objekata ili ljudi. Ovom metodom, moguće je
odstraniti taj nepotrebni deo posla i prosto srediti senke u postprodukciji. Nažalost, i ovaj
kao i prethodno navedeni sistem može u trenutnom stanju razvoja da radi samo sa
statičnim slikama (Ong, V. 2021).
Slika 47- Portrait Shadow Manipulations sistem za uklanjanje senki na slici i obradu svetla
(Ong, V. 2021)
41
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Slika 48 – Primer UAV drona sa ugrađenom kamerom koji koristi AI sisteme u realnom
vremenu [29]
Slika 49 – Real-time face tracking uz pomoć mašinskog učenja nad likom Thanos-a iz
filma Avengers: Infinity War (2018) [30]
Zaključak
Na kraju, posle velikog broja primena i konkretnih tehnika, vidi se da nisu sve tehnike
istog nivoa kompleksnosti, iste mogućnosti za primenu i iste dostupnosti. Neke čak nisu ni
u potpunosti razvijene. Mnoge tehnike variraju od individualne upotrebe pa sve do
masovnih produkcija. Za sada, kako stoje stvari, nije na isti način svaka tehnika zastupljena,
prihvaćena ali i korektna u industriji. I dalje skoro u svakom slučaju postoji prostor za
optimizaciju, olakšavanje kontrole, tačnosti i poboljšanje pristupačnosti (Ong, V. 2021).
Takođe, iako se cilja na visok kvalitet, većina rezultujućih kvaliteta ovih tehnika je upitna.
Naravno u zavisnosti od toga da li je namena za individualnu upotrebu, zabavu ili za
masovnu produkciju i proizvodnju. Pošto govorimo o industriji vizuelnih efekata, koja se
odnosi uglavnom na masovne produkcije, činjenica je da tačnost i kvalitet većine ovih
algoritama nije najsjajnija i ne daje najbolje rezultate. Naravno, manji deo njih se pokazao
izuzetnim, ali to su uglavnom za potrebe holivudskih produkcija koje su za to uložile milione
dolara i od toga razvile gotove proizvode ili bar odlične prototipove.
Vratimo se na hipotezu na početku. Da li će zapravo veštačka inteligencija da
zameni čoveka i koliki je njen uticaj na ovu industriju? Kroz temeljna istraživanja i desetine
algoritama, pa čak i još njih za koje nije bilo mesta u ovom radu, dolazim do zaključka da
je uticaj ovih tehnologija na ovu industriju izuzetno obiman. Kako napreduje razvoj i
hardvera i softvera, tehnologije se sve lakše čine pristupačnijim individualnim korisnicima,
a njihov kvalitet će tek rasti s vremenom, pogotovo za masovne produkcije. Već sada je u
filmskoj industriji toliko primera korišćenja mašinskog i dubokog učenja, ali ključna stvar
ovih primena je u olakšavanju i ubrzavanju postupaka određenih delova VFX toka. Kako
stvari stoje, ove tehnologije verovatno neće moći da zamene čoveka jer su zasnovane na
43
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
ulaznim podacima, odnosno uvek će biti neophodno da čovek iz struke zna šta želi kao
ulazne i izlazne podatke. Uvek će postojati prostor za napredak, tako da će uvek biti
moguće i dodatne ručne dorade. Setimo se primer podmlađivanja Harisona Forda gde je
korišćena polu-ručna CGI, a polovinom obrada lica uz pomoć dubokog učenja. AI će biti
odličan alat za ubrzavanje procesa koji su ili višak, ili oduzimaju veliki broj vremena za
obradu. Velika raznovrsnost sistema će takođe u daljem razvoju doprineti različitim
mogućnostima i velikoj autentičnosti (obradili smo tehnike koje variraju od segmentacije u
realnom vremenu, rekonstrukcije piksela, pa sve do generisanja lica glumaca koji su
preminuli).
Pored velikih prednosti, ove tehnike uz sebe nose dosta mana. Kao što smo primetili
kod dosta opisanih tehnika, cena je definitivno jedan od ključnih faktora koji utiču na dalji
razvoj. Razvoj alata, ali i njihovo korišćenje je izuzetno skupo i ukoliko se radi o nekom
kompleksnijem alatu, pogotovo za sisteme kao što je duboko učenje, onda je primena i
dalje samo na nivou višemilionskih produkcija koje mogu da obezbede sredstva za razvoj
i treniranje algoritama. Što nas dovodi do još jednog faktora, a to je treniranje. Videli smo
da je kod Flux sistema na primer, snimanje lica diskretno, što znači da se za svako lice
mora trenirati algoritam i kreirati biblioteka 3D podataka. Samo treniranje je trajalo oko dve
godine što pokazuje da mnoge od ovih tehnika zahtevaju izuzetno dug vremenski period
za treniranje algoritama. Konačno, bar u početnim fazama primene ovih alogritama u
poslednje dve decenije, postoji dosta primera gde čak i na nivou masovnih produkcija može
doći do lošijeg rezultata i očevidno lošeg kvaliteta primene AI tehnologija (najbolji primer:
princeza Leja u filmu Star Wars Episode IX: The Rise of Skywalker (2019).
Koliko su promene primetne i koliko će dalje uticati u ovoj industriji, važno je i to kako
će gledaoci i javnost to da prihvati. Istraživanje (Singh, H. et al.) javnog mnjenja sprovedeno
od strane Čandigar i Pundžab univerziteta u Indiji je pokazalo kako javnost u tom trenutku
vidi stanje AI u VFX industriji [31].
Postavljeno je 6 pitanja:
44
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Konačno, AI kao alat ima različita prihvatanja kod javnosti. Mnogi misle da je dobra
inovacija, mnogi da nije. Iako je sigurno da neće moći da zameni kompletan VFX tok, de
fakto će ubrzati mnoge procese i zameniti neke manje, a vremenski zahtevne poslove. Ono
što je takođe sigurno, je da ćemo videti još mnoge nove alate koje će imati široku primenu
u ovoj industriji, kao i optimizaciju već postojećih i završetak nedovršenih alata koje smo
takođe pominjali.
AI je prošlost, sadašnjost i sigurno budućnost filmske industrije. Iako je njegova
primena velika i u drugim delovima filmske produkcije, sigurno je da je njegova primena
najraznovrsnija u VFX industriji, ali takođe tu ima najveći prostor za napredak i najveći uticaj
i podsticanje promena.
45
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
Reference
[3] Chabanova, A. (2022) VFX – A new frontier: The impact of innovative technologies on
visual effects, WestminsterResearch, University of Westminster
[4] Dinur, E. (2017). The Filmmaker's Guide to Visual Effects: The Art and Technique of
VFX for Directors, Producers, Editors and Cinematographers. London: Routledge
[5] Okun, J. Rafferty, K. Squires, S. and Zwerman, S. (2015). The VES handbook of
visual effects: industry standard VFX practices and procedures. Second edition
[6] Yunpeng, L. (2021). Film and TV Animation Production Based on Artificial Intelligence
AlphaGd, School of Theater Film and Television, Communication University of China,
Beijing
[7] Failes, I. (2019). The New Artificial Intelligence Frontier of VFX, dostupno na:
https://www.vfxvoice.com/the-new-artificial-intelligence-frontier-of-vfx/,
pristuplejno 16.12.2023.
[9] KOGNAT: Deep Learning Tools for Visual Effects. 2020. Rotobot.
Dostupno na: https://kognat.com/higher-resolution-masks-demo/ , pristupljeno 17.12.2023.
[10] Bau, D. Strobelt, H. Peebles, W. Zhou, B. Zhu, J. Y., & Torralba, A. (2020). Semantic
photo manipulation with a generative image prior. arXiv preprint
46
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
[13] Burwick, K. (2020), Rogue One Deepfake Improves Princess Leia & Grand Moff Tarkin
Scenes
Dostupno na: https://movieweb.com/rogue-one-deepfake-princess-leia-grand-moff-tarkin/,
pristupljeno 24.12.2023.
[14] Frouzaanfar A., (2023), Is Mocap Next? The Rise of AI Motion Capture
Dostupno na: https://picotion.com/blog/ai-motion-capture-intro/ , pristupljeno 24.12.2023.
[16] Knight, J. Johnston, A. Berry, A. (2022), Artistic control over the glitch in AI-generated
motion capture, The 1st International Workshop on Explainable AI for the Arts
[19] Yaxing, L. (2022), Research on the Application of Artificial Intelligence in the Film
Industry, SHS Web of Conferences 144, 03002
[20] Enstice, T. (2009), The Curious Case of Benjamin Button, SIGGRAPH '09: ACM
SIGGRAPH 2009 Computer Animation Festival, Pages 36-37
[21] Failes, I. (2016), Paul Debevec: A Name You Absolutely Need to Know in CG, VFX,
Animation, and VR, Dostupno na: https://www.cartoonbrew.com/interviews/paul-debevec-
name-absolutely-need-know-cg-vfx-animation-vr-145389.html , pristupljeno 4.1.2024.
47
Zlatan Hasanović Primena i uticaj veštačke inteligencije u industriji vizuelnih efekata
[22] Lee, C. (2020), ‘We Were All Very Nervous’: How The Irishman’s Special Effects Team
Got the Job Done, The Gold Rush, Vulture, Dostupno na:
https://www.vulture.com/2020/01/how-the-irishman-used-cgi-and-special-effects-on-
actors.html , pristupljeno 4.1.2024.
[24] Desowitz, B. (2023), No, De-Aged Harrison Ford Wasn’t All A.I. in ‘Indiana Jones and
the Dial of Destiny’, Dostupno na: https://www.indiewire.com/features/craft/indiana-jones-
dial-of-destiny-de-aged-harrison-ford-ai-1234880349/ , pristupljeno 4.1.2024.
[26] Antelo, A. Hoyle, E. (2019). How Artificial Intelligence impactT the programs
broadcast by Globo TV: Case studies, SET INTERNATIONAL JOURNAL OF BROADCAST
ENGINEERING. ISSN Print: 2446-9246 ISSN Online: 2446-9432.
[29] Gallagher, K. (2016). Drones for Best Supporting Role in Film & TV Production,
Dostupno na: https://www.simulyze.com/blog/drones-for-best-supporting-role-in-film-tv-
production, pristupljeno 13.1.2024.
[30] Idelson, K. (2019). Machine Learning Saves ‘Avengers’ VFX Artists Time, Dostupno
na: https://variety.com/2019/film/awards/machine-learning-saves-avengers-vfx-artists-
time-1203140163/, pristupljeno 13.1.2024.
[31] Singh, H. Rastogi, A. Kaur, K. (2022). Artificial intelligence as a tool in the visual effects
and film industry, Recent Advances in Computing Sciences: Proceedings of RACS 2022,
page 15
48