Oyun Motorlarında Derin Öğrenme Tabanlı Fotogerçekçi Görüntü Sentezleme Tekniklerinin Analizi

Öz

Bu çalışma, bilgisayar oyunlarında gerçek zamanlı render çıktılarının fotogerçekçi hale getirilmesine yönelik derin öğrenme tabanlı hibrit yaklaşımları, literatür temelli bir derleme kapsamında incelemektedir. Geleneksel işleme hatlarının (rendering pipelines) kontrol zorlukları ve yüksek hesaplama maliyetleri nedeniyle ortaya çıkan "görünüm farkını" azaltmaya yönelik olarak, evrişimsel sinir ağları (CNN) ve karşıtlık eğitimi (adversarial training) gibi tekniklerin oyun motoru çıktılarıyla birlikte kullanımına odaklanılmaktadır. Bu bağlamda, görüntülerin yalnızca anlamsal etiket haritalarından yeniden sentezlenmesi yerine; oyun motorları tarafından üretilen geometri, materyal özellikleri ve ışıklandırma gibi yardımcı verilerin (buffers) derin öğrenme modellerine girdi olarak sunulduğu yaklaşımlar ele alınmaktadır. Çalışma kapsamında, Unreal Engine ve GTA V gibi ortamlardan elde edilen sentetik görüntülerin, KITTI, Cityscapes ve Mapillary Vistas gibi gerçek dünya veri setleriyle eğitilmiş modeller aracılığıyla nasıl iyileştirildiğine ilişkin literatürde yer alan uygulamalar değerlendirilmektedir. Bu çalışmaların bulguları, yapay zeka tabanlı yöntemlerin araç yüzeylerindeki yansımaları artırma, bitki örtüsünü veri setine özgü karakteristiklere göre yeniden yapılandırma ve yol yüzeylerinde daha gerçekçi dokular üretme gibi etkiler sağlayabildiğini göstermektedir. Elde edilen değerlendirmeler, veri odaklı yaklaşımların geleneksel render süreçlerini tamamlayıcı bir unsur olarak önemli bir potansiyele sahip olduğunu ortaya koymaktadır. Bununla birlikte, zamansal tutarsızlıklar ve veri setleri arasındaki yapısal farklılıklardan kaynaklanan hatalar gibi teknik sınırlılıklar da tartışılmaktadır. Bu çalışma, fotogerçekçilik üretiminde hibrit yöntemlerin rolünü, kavramsal ve uygulama temelli literatürün sistematik bir değerlendirmesi yoluyla analiz ederek alandaki güncel eğilimlere bütüncül bir bakış sunmayı amaçlamaktadır.

Anahtar Kelimeler

• Fotogerçekçilik
• Derin Öğrenme
• Evrişimsel Sinir Ağları (CNN)
• Oyun Motorları
• Görüntü Sentezi

A Technical Review of Deep Learning–Based Photorealistic Image Synthesis in Game Engines

Öz

This literature-based review examines recent developments in deep learning–based hybrid approaches for enhancing photorealism in real-time game engine rendering. Rather than replacing conventional rendering pipelines, the reviewed studies converge on augmenting them with learned post-processing stages. Accordingly, the scope of this review is limited to methods that operate on rendered frames and engine-generated auxiliary representations, rather than fully neural scene synthesis. The central research problem addressed across the literature is the persistent “appearance gap” between real-world imagery and real-time rendering, which arises from the trade-off between computational efficiency and visual fidelity. Traditional rendering pipelines rely on physically based simulation techniques, such as rasterization and path tracing, to approximate light transport and material behavior. While path tracing achieves high physical accuracy, it remains computationally prohibitive for real-time applications. Conversely, rasterization-based approaches are efficient but often produce visually incomplete results. This trade-off has led to the emergence of hybrid methods, which preserve the geometric, material, and lighting information already computed by game engines while applying data-driven enhancement techniques to improve visual realism. In this context, photorealism is reframed as a post-render optimization problem rather than a purely physics-based simulation challenge.

Anahtar Kelimeler

• Photorealism
• Computer Games
• Artificial Intelligence
• Deep Learning
• Convolutional Neural Networks
• Datasets
• Unreal Engine.

Kaynakça

1. Akenine-Möller, T., Haines, E., Hoffman, N., Pesce, A., Iwanicki, M., ve Hillaire, S. (2018). Real-time rendering (4. bs.). A K Peters/CRC Press.
2. Cordts, M., Omran, M., Ramos, S., Rehfeld, T., Enzweiler, M., Benenson, R., Franke, U., Roth, S., ve Schiele, B. (2016). The Cityscapes dataset for semantic urban scene understanding. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3213–3223.
3. Geiger, A., Lenz, P., Stiller, C., ve Urtasun, R. (2013). Vision meets robotics: The KITTI dataset. International Journal of Robotics Research, 32(11), 1231–1237. https://doi.org/10.1177/0278364913491297
4. Jetchev, N., Bergmann, U., ve Vollgraf, R. (2016). Texture synthesis with spatial generative adversarial networks. arXiv. https://arxiv.org/abs/1611.08207
5. Mameli, M., Paolanti, M., Mancini, A., Zingaretti, P., ve Pierdicca, R. (2025). RenderGAN: Enhancing real-time rendering efficiency with deep learning. ACM Transactions on Multimedia Computing, Communications, and Applications, 21(3), Makale 99. https://doi.org/10.1145/3712263
6. Neuhold, G., Ollmann, T., Bulò, S. R., ve Kontschieder, P. (2017). The Mapillary Vistas dataset for semantic understanding of street scenes. International Conference on Computer Vision (ICCV).
7. Newell, M. E., ve Blinn, J. F. (1977). The progression of realism in computer generated images. Proceedings of the ACM Annual Conference, 446–451. https://doi.org/10.1145/800179.810236
8. Pasios, S., ve Nikolaidis, N. (2025). REGEN: Real-time photorealism enhancement in games via a dual-stage generative network framework. arXiv. https://arxiv.org/abs/2508.17061

9. Richter, S. R., Abu AlHaija, H., ve Koltun, V. (2023). Enhancing photorealism enhancement. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(2), 1700–1715. https://doi.org/10.1109/TPAMI.2021.3082179
10. Sancaklı, P., ve Sarı, Ü. (2025). Dijital oyunlarda yapay zekâ kullanımı ve ‘F.E.A.R’ oyunu örneğinde güncel yönelimler. Communicata, 29, 87–98. https://doi.org/10.32952/communicata.1628205
11. Stacchio, L., Balloni, E., Gorgoglione, L., Mancini, A., Giovanola, B., Tiribelli, S., ve Zingaretti, P. (2024). An ethical framework for trustworthy neural rendering applied in cultural heritage and creative industries. Frontiers in Computer Science, 6, 1459807. https://doi.org/10.3389/fcomp.2024.1459807
12. Weyrich, T., Lawrence, J., Lensch, H. P. A., Rusinkiewicz, S., ve Zickler, T. (2009). Principles of appearance acquisition and representation. Foundations and Trends in Computer Graphics and Vision, 4(2), 75–191. https://doi.org/10.1561/0600000022
13. Wu, Y., Yi, A., Ma, C., ve Chen, L. (2023). Artificial intelligence for video game visualization, advancements, benefits and challenges. Mathematical Biosciences and Engineering, 20(8), 15345–15373. https://doi.org/10.3934/mbe.2023686
14. Xiao, L., Nouri, S., Chapman, M., Fix, A., Lanman, D., ve Kaplanyan, A. (2020). Neural supersampling for real-time rendering. ACM Transactions on Graphics, 39(4), Makale 142. https://doi.org/10.1145/3386569.3392376