Evilom
229 lines
15 KiB
Markdown
229 lines
15 KiB
Markdown
# KC8NdkY8zo5yspxjYqOcA6kenbh
|
|
|
|
Source: https://fcnlycv6dd0w.feishu.cn/docx/KC8NdkY8zo5yspxjYqOcA6kenbh
|
|
|
|
|
|
**今日内容概述：**
|
|
### 一. 像素特效生成测试
|
|
把 AI 像素美术工作流的验证范围扩展到特效模块
|
|
验证 AI 能否围绕同一风格，产出可拆帧、透明导出、初步进入工程测试的特效素材
|
|
- **想验证什么**
|
|
- 能否保持当前的主题风格、能否稳定拆帧并透明导出
|
|
- 会不会触碰单元格边界、宽幅和长序列这类极端样本能否处理
|
|
- 覆盖投射物、命中爆发、施法环、宽幅斩击、地面符文
|
|
|
|
> :black_medium_small_square:
|
|
目前产出的特效，基本达到当前需要验证的初验标准
|
|
下一步需把特效装到实际的游戏场景中跑一遍，验比例、时序、遮挡、混合模式和像素质感
|
|
**合成验证通过，才算真正可用**
|
|
- **可视化验收看板：**
|
|
|
|
### 二. 继续推进角色分层可行性测试
|
|
验证 AI 像素角色能否从“整张动画图生成”，**推进到“可换装、可复用、可进入项目的分层动画**
|
|
**今日主要测试了三条路径**
|
|
- 把已有完整角色动画拆成 body / cape / weapon 等层
|
|
- 让 AI 从一开始分别生成 body、披风、武器等独立层
|
|
- 在分层基础上加入 root 校正、手部 socket、武器偏移和前手遮挡规则
|
|
** 目前能做到的部分**
|
|
- idle / walk 的分层演示
|
|
- 披风、背层武器在有限范围内替换
|
|
- 加入校正后，身体脚底锚点可以稳定，武器可贴近手部位置
|
|
**仍然存在的问题**
|
|
- 身体、手、腿、披风、武器**每次生成都会有细微结构差异**
|
|
- 武器贴近手部，不等于角色真的握住武器
|
|
- 披风不是简单背层，会涉及肩、头发、手臂和身体遮挡
|
|
- 动画换装比静态换装多了时间一致性、关节一致性和遮挡一致性问题
|
|
|
|
|
|
> :black_medium_small_square:
|
|
**当前判断： 单角色完整序列帧仍然是当前更可行的方向**
|
|
单角色的完整序列帧，后续继续优化工作流，产出的效果基本可达到生产使用的要求
|
|
但如果要做分层角色动画，通过逐帧偏移修复，无法达到理想的效果，整体的产出效率反而被降低
|
|
**生成完整帧图 → 再拆层 / 对齐 / 修偏移”的路线，存在一定的模型能力边界**
|
|
### 三. 经典像素游戏体验与调研
|
|
基于之前已体验的像素游戏，结合外部开发资料，对《死亡细胞》和《星露谷物语》进一步复盘
|
|
重点从**它们的体验结构和资产生产方式出发，反推如果在 AI 主导的生产环境下重做类似项目**
|
|
**哪些环节可能被 AI 工作流重构，哪些环节仍然会成为关键卡点**
|
|
#### 1. 死亡细胞——Dead Cells
|
|
- 核心体验建立在高频战斗反馈上：
|
|
- **进入关卡 → 即时判断 → 获得能力 → 死亡重开 → 通过解锁和熟练度形成更强的下一轮**
|
|
- 这套循环对美术和动画要求较高，玩家每次攻击、受击、死亡都需要在极短时间内获得明确反馈。
|
|
- 值得关注的是，**它并非采用传统逐帧手绘，而是 3D 转 2D 的像素动画管线：**
|
|
- 先绘制 2D 像素角色设定，建立低精度 3D 模型和骨骼
|
|
- 通过 3D 动画调整动作后，以低分辨率、无抗锯齿方式渲染成像素风序列帧
|
|
- 再结合 shader 和粒子特效补足表现
|
|
这套管线本质上是在有限资源下的工程取舍——**用骨骼降低逐帧成本，用渲染工具输出像素结果**
|
|
- **启发在于：Dead Cells 真正值得借鉴的不是 3D 管线本身，而是它背后的目标**
|
|
- 降低动作返工成本、支持大量武器和怪物扩展、在小团队资源下维持高频战斗内容
|
|
- 之前**传统开发的痛点是否可以被 AI + 自动化工具重新解决**，比"要不要照搬 3D 管线"更值得验证
|
|
|
|
> :black_medium_small_square:
|
|
- **动作表现类的问题在决定是"序列帧好还是 Spine 好"前，应先拆成几个小实验：**
|
|
- AI Native 的高动作表现核心是**建立低成本返工和一致性控制能力**
|
|
- 角色基准形象、动作生成、帧间检查、像素标准化、锚点校验和重生成之间能否形成闭环，比单次出图能力更重要
|
|
#### 2. 星露谷物语——**Stardew Valley**
|
|
- **核心体验**
|
|
- **规划当天行动 → 种植 / 采集 / 钓鱼 / 挖矿 / 社交 → 获得资源 → 扩建农场和关系网络**
|
|
- 它不是某个单点资产复杂，而是大量小资产共同构成一个可持续运转的场景世界
|
|
**这类资产包括：**
|
|
- 作物不同生长阶段，地块、树木、矿石、水体
|
|
- 家具、建筑、装饰物
|
|
- NPC、动物、道具
|
|
- 背包物品和 UI 图标
|
|
- 开发分享中提到，**坚持 16×16 tile 有助于控制大体量游戏的美术工作量**，说明它的资产生产核心不是高复杂度，而是**统一规格下的长期积累**
|
|
- 从 mod 生态看，资产按文件、图集、地图、数据和 JSON组织，通过替换图片、编辑数据、修改地图扩展
|
|
|
|
> :black_medium_small_square:
|
|
对 AI Native 的启发指向也很明确：
|
|
- AI 最先产生价值的不一定是复杂角色动作，而是**大量小规格、模块化、可批量生成、可标准化检查的资产**
|
|
- 但风险也随之放大——生成单个物件容易，让大量物件放进同一个世界不突兀需要更标准化的把控
|
|
- 缺乏统一规则时，色彩饱和度、光源方向、像素密度、边缘处理、透视角度、物件尺寸都容易失控
|
|
- 所以 AI 批量生成必须与资产标准绑定，否则资产越多，风格越容易崩。
|
|
|
|
> :black_medium_small_square:
|
|
**阶段判断**
|
|
对**低动作复杂度、高资产数量的项目**，AI Native 工作流的核心竞争力可能不是单次生成质量，而是资产库构建速度
|
|
如果能够把 AI 生成、像素规范化、自动质检和资产管理串起来，就有机会**在内容扩展效率上形成比传统工作流更明显的优势**
|
|
#### 两类游戏类型的对比
|
|
维度
|
|
死亡细胞
|
|
星露谷物语
|
|
核心体验
|
|
高频战斗、动作反馈、死亡重开
|
|
日常循环、资源积累、长期扩展
|
|
资产压力
|
|
多动作、多武器、多怪物、多特效
|
|
大量作物、家具、道具、建筑、tile
|
|
传统成本
|
|
动作返工、动画一致性、手感调整
|
|
资产数量、风格统一、长期维护
|
|
AI 机会
|
|
动作草案、分层、补帧、质检、重生成
|
|
批量小资产、资产库、风格统一、标准化
|
|
主要风险
|
|
帧间抖动、身份漂移、动作不可编辑
|
|
风格失控、规格不统一、Fake Pixel
|
|
验证价值
|
|
验证 AI 工作流上限
|
|
验证 AI 落地效率
|
|
- **目前对 AI Native 像素项目的理解可以进一步收敛为：**
|
|
- 不同像素游戏的差异，不只是玩法不同，资产生产结构也不同
|
|
- 高动作表现向，需要把控好是否能可编辑、可返工、可一致性控制
|
|
- 低动作复杂度下，需实现大量模块资产、统一规格、持续扩展的管理能力
|
|
|
|
> :black_medium_small_square:
|
|
经典像素游戏虽然多是在传统工作流下完成的，但暴露出的生产痛点仍然有参考价值
|
|
在 AI 主导的时代，真正需要重构的不是某一款游戏的美术风格，而是其背后的资产生产方式：
|
|
**动作表现向要解决返工和一致性，养成经营向要解决批量资产标准化**
|
|
**今日内容概述：**
|
|
### 一. 像素特效生成测试
|
|
把 AI 像素美术工作流的验证范围扩展到特效模块
|
|
验证 AI 能否围绕同一风格，产出可拆帧、透明导出、初步进入工程测试的特效素材
|
|
- **想验证什么**
|
|
- 能否保持当前的主题风格、能否稳定拆帧并透明导出
|
|
- 会不会触碰单元格边界、宽幅和长序列这类极端样本能否处理
|
|
- 覆盖投射物、命中爆发、施法环、宽幅斩击、地面符文
|
|
|
|
> :black_medium_small_square:
|
|
目前产出的特效，基本达到当前需要验证的初验标准
|
|
下一步需把特效装到实际的游戏场景中跑一遍，验比例、时序、遮挡、混合模式和像素质感
|
|
**合成验证通过，才算真正可用**
|
|
- **可视化验收看板：**
|
|
|
|
### 二. 继续推进角色分层可行性测试
|
|
验证 AI 像素角色能否从“整张动画图生成”，**推进到“可换装、可复用、可进入项目的分层动画**
|
|
**今日主要测试了三条路径**
|
|
- 把已有完整角色动画拆成 body / cape / weapon 等层
|
|
- 让 AI 从一开始分别生成 body、披风、武器等独立层
|
|
- 在分层基础上加入 root 校正、手部 socket、武器偏移和前手遮挡规则
|
|
** 目前能做到的部分**
|
|
- idle / walk 的分层演示
|
|
- 披风、背层武器在有限范围内替换
|
|
- 加入校正后，身体脚底锚点可以稳定，武器可贴近手部位置
|
|
**仍然存在的问题**
|
|
- 身体、手、腿、披风、武器**每次生成都会有细微结构差异**
|
|
- 武器贴近手部，不等于角色真的握住武器
|
|
- 披风不是简单背层，会涉及肩、头发、手臂和身体遮挡
|
|
- 动画换装比静态换装多了时间一致性、关节一致性和遮挡一致性问题
|
|
|
|
|
|
> :black_medium_small_square:
|
|
**当前判断： 单角色完整序列帧仍然是当前更可行的方向**
|
|
单角色的完整序列帧，后续继续优化工作流，产出的效果基本可达到生产使用的要求
|
|
但如果要做分层角色动画，通过逐帧偏移修复，无法达到理想的效果，整体的产出效率反而被降低
|
|
**生成完整帧图 → 再拆层 / 对齐 / 修偏移”的路线，存在一定的模型能力边界**
|
|
### 三. 经典像素游戏体验与调研
|
|
基于之前已体验的像素游戏，结合外部开发资料，对《死亡细胞》和《星露谷物语》进一步复盘
|
|
重点从**它们的体验结构和资产生产方式出发，反推如果在 AI 主导的生产环境下重做类似项目**
|
|
**哪些环节可能被 AI 工作流重构，哪些环节仍然会成为关键卡点**
|
|
#### 1. 死亡细胞——Dead Cells
|
|
- 核心体验建立在高频战斗反馈上：
|
|
- **进入关卡 → 即时判断 → 获得能力 → 死亡重开 → 通过解锁和熟练度形成更强的下一轮**
|
|
- 这套循环对美术和动画要求较高，玩家每次攻击、受击、死亡都需要在极短时间内获得明确反馈。
|
|
- 值得关注的是，**它并非采用传统逐帧手绘，而是 3D 转 2D 的像素动画管线：**
|
|
- 先绘制 2D 像素角色设定，建立低精度 3D 模型和骨骼
|
|
- 通过 3D 动画调整动作后，以低分辨率、无抗锯齿方式渲染成像素风序列帧
|
|
- 再结合 shader 和粒子特效补足表现
|
|
这套管线本质上是在有限资源下的工程取舍——**用骨骼降低逐帧成本，用渲染工具输出像素结果**
|
|
- **启发在于：Dead Cells 真正值得借鉴的不是 3D 管线本身，而是它背后的目标**
|
|
- 降低动作返工成本、支持大量武器和怪物扩展、在小团队资源下维持高频战斗内容
|
|
- 之前**传统开发的痛点是否可以被 AI + 自动化工具重新解决**，比"要不要照搬 3D 管线"更值得验证
|
|
|
|
> :black_medium_small_square:
|
|
- **动作表现类的问题在决定是"序列帧好还是 Spine 好"前，应先拆成几个小实验：**
|
|
- AI Native 的高动作表现核心是**建立低成本返工和一致性控制能力**
|
|
- 角色基准形象、动作生成、帧间检查、像素标准化、锚点校验和重生成之间能否形成闭环，比单次出图能力更重要
|
|
#### 2. 星露谷物语——**Stardew Valley**
|
|
- **核心体验**
|
|
- **规划当天行动 → 种植 / 采集 / 钓鱼 / 挖矿 / 社交 → 获得资源 → 扩建农场和关系网络**
|
|
- 它不是某个单点资产复杂，而是大量小资产共同构成一个可持续运转的场景世界
|
|
**这类资产包括：**
|
|
- 作物不同生长阶段，地块、树木、矿石、水体
|
|
- 家具、建筑、装饰物
|
|
- NPC、动物、道具
|
|
- 背包物品和 UI 图标
|
|
- 开发分享中提到，**坚持 16×16 tile 有助于控制大体量游戏的美术工作量**，说明它的资产生产核心不是高复杂度，而是**统一规格下的长期积累**
|
|
- 从 mod 生态看，资产按文件、图集、地图、数据和 JSON组织，通过替换图片、编辑数据、修改地图扩展
|
|
|
|
> :black_medium_small_square:
|
|
对 AI Native 的启发指向也很明确：
|
|
- AI 最先产生价值的不一定是复杂角色动作，而是**大量小规格、模块化、可批量生成、可标准化检查的资产**
|
|
- 但风险也随之放大——生成单个物件容易，让大量物件放进同一个世界不突兀需要更标准化的把控
|
|
- 缺乏统一规则时，色彩饱和度、光源方向、像素密度、边缘处理、透视角度、物件尺寸都容易失控
|
|
- 所以 AI 批量生成必须与资产标准绑定，否则资产越多，风格越容易崩。
|
|
|
|
> :black_medium_small_square:
|
|
**阶段判断**
|
|
对**低动作复杂度、高资产数量的项目**，AI Native 工作流的核心竞争力可能不是单次生成质量，而是资产库构建速度
|
|
如果能够把 AI 生成、像素规范化、自动质检和资产管理串起来，就有机会**在内容扩展效率上形成比传统工作流更明显的优势**
|
|
#### 两类游戏类型的对比
|
|
维度
|
|
死亡细胞
|
|
星露谷物语
|
|
核心体验
|
|
高频战斗、动作反馈、死亡重开
|
|
日常循环、资源积累、长期扩展
|
|
资产压力
|
|
多动作、多武器、多怪物、多特效
|
|
大量作物、家具、道具、建筑、tile
|
|
传统成本
|
|
动作返工、动画一致性、手感调整
|
|
资产数量、风格统一、长期维护
|
|
AI 机会
|
|
动作草案、分层、补帧、质检、重生成
|
|
批量小资产、资产库、风格统一、标准化
|
|
主要风险
|
|
帧间抖动、身份漂移、动作不可编辑
|
|
风格失控、规格不统一、Fake Pixel
|
|
验证价值
|
|
验证 AI 工作流上限
|
|
验证 AI 落地效率
|
|
- **目前对 AI Native 像素项目的理解可以进一步收敛为：**
|
|
- 不同像素游戏的差异，不只是玩法不同，资产生产结构也不同
|
|
- 高动作表现向，需要把控好是否能可编辑、可返工、可一致性控制
|
|
- 低动作复杂度下，需实现大量模块资产、统一规格、持续扩展的管理能力
|
|
|
|
> :black_medium_small_square:
|
|
经典像素游戏虽然多是在传统工作流下完成的，但暴露出的生产痛点仍然有参考价值
|
|
在 AI 主导的时代，真正需要重构的不是某一款游戏的美术风格，而是其背后的资产生产方式：
|
|
**动作表现向要解决返工和一致性，养成经营向要解决批量资产标准化** |