Muitas vezes, artistas de jogos se deparam com tarefas mais repetitivas e mecânicas, que ocupam esforços que poderiam estar sendo usados em atividades criativas. Sendo assim, este trabalho se propõe a investigar um editor web de Pixel Art integrado a modelos de aprendizado profundo utilizados para geração de sugestões de imagens de personagens. Nossa metodologia envolve a aplicação de pesquisa de usuário para levantamento de requisitos e validação de hipóteses, da implementação de novas ferramentas básicas de edição, e uma investigação acerca de possíveis otimizações nos modelos geradores utilizados pela interface, baseados nas arquiteturas StarGAN e CollaGAN. Os resultados da nossa pesquisa de usuário demonstram um conjunto mínimo de ferramentas consideradas de alta importância para a edição de Pixel Art e sugerem que artistas de jogos reconhecem, em suas atividades diárias, espaços para integrações com modelos de redes profundas, com ressalvas acerca da natureza da interação e com foco em manter o protagonismo do usuário nas decisões e nas artes geradas. Por sua vez, as técnicas de otimização investigadas nos modelos integrados ao editor possibilitaram a obtenção de melhores resultados em relação aos modelos de base nos cenários avaliados. Concluímos que o uso de editores como o proposto, integrado a modelos generativos via interação mista com o usuário, pode apoiar artistas de jogos em suas tarefas. Mais ainda, as investigações realizadas nos modelos mostram que técnicas de quantização diferenciável e de perda de cobertura de paleta de cores favorecem a convergência e a sintetização de imagens em modelos StarGAN, enquanto a ampliação de imagens como pré-processamento possibilita resultados análogos em modelos da arquitetura CollaGAN, considerando os hiperparâmetros e as configurações utilizadas.

Pôster do trabalho