Z przyjemnością informujemy, że Copernicus Computing zakończył etap badań przemysłowych w ramach projektu FrameLift AI – zindywidualizowanego systemu podnoszenia rozdzielczości animacji z wykorzystaniem sztucznej inteligencji i zaawansowanych modeli ESRGAN. Jest to kluczowy moment projektu, który potwierdza dojrzałość technologii oraz jej gotowość do przejścia w fazę eksperymentalnych prac rozwojowych (TRL 6)
Dlaczego FrameLift AI?
Produkcja animacji w natywnej rozdzielczości 4K to ogromne koszty czasowe i sprzętowe. Naszym celem od początku było opracowanie hybrydowego modelu produkcyjnego, w którym:
- animacje renderowane są w niższej rozdzielczości (HD),
- następnie podnoszone do jakości 4K przy użyciu zindywidualizowanych modeli AI,
- bez utraty jakości wizualnej i spójności klatek.
Kluczowe cele etapu badań przemysłowych
W ostatnim kwartale 2025 roku skoncentrowaliśmy się na:
- radykalnym skróceniu czasu treningu modeli klienta,
- maksymalnym wykorzystaniu zasobów GPU,
- utrzymaniu rygorystycznych parametrów jakościowych (PSNR ≥ 35 dB, SSIM ≥ 0,90).
Zamiast zwiększać złożoność systemu (np. multi-GPU czy niestandardowe skrypty), postawiliśmy na precyzyjną optymalizację parametrów konfiguracyjnych – rozwiązanie stabilne, skalowalne i w pełni transparentne dla użytkownika końcowego.
Co udało się osiągnąć?
1. Optymalizacja treningu modeli
Nasze podejście polegało na tym by rozwiązać dwie sprzeczności. Z jednej strony zaletą renderingu jest pełna zgodność osiąganego celu z założeniami artysty, niestety wiąże się to z wysoka precyzją obliczeń. Z drugiej strony wykorzystanie algorytmów AI znacznie przyspiesza proces, ale nawet w takich rozwiązaniach jak upscaling może generować błędy. Jako duża farma renderujaca dysponujemy jednak niecodzienna możliwością, możemy nie tylko wygenerować obra poprzez jego upscaling.Możemy również wyrenderować obraz w docelowej rozdzielczości i sprawdzić jak poradził sobie nasz algorytm. Stąd możemy nie tylko wybrać najlepszy możliwy algorytm, możemy również stworzyć zindywidualizowany do konkretnej sceny algorytm i na tym właśnie polega niecodzienność naszego projektu. Własnie dzięki temu udało nam się na etapie badań przemysłowych uzyskać zgodność nie do odróanienia dla ludzkiego oka między normalnym renderem a generacją AI oparta o zindywidualizowany model. Co więcej udało nam się skrócić czas treningu pojedynczego modelu do ok. 37 minut, bez jakiejkolwiek degradacji jakości obrazu
2. Realne oszczędności czasu w produkcji
Najważniejszym miernikiem sukcesu były testy na rzeczywistych scenach produkcyjnych. Porównanie renderingu natywnego 4K z pipeline’em FrameLift AI wykazało:
- średni zysk czasowy: 44,7%,
- w najbardziej wymagających scenach – ponad 60% skrócenia czasu produkcji.
Im bardziej złożona scena, tym większa przewaga naszego rozwiązania.
3. Stabilność jakościowa
Każda optymalizacja była poddawana rygorystycznej walidacji:
- wszystkie sceny przekroczyły próg PSNR ≥ 35 dB,
- wskaźnik SSIM utrzymał się powyżej 0,90,
- nie zaobserwowano artefaktów, migotania ani utraty detali.
Oznacza to, że przyspieszenie produkcji nie odbywa się kosztem jakości.
Co dalej?
Zakończenie etapu badań przemysłowych oznacza, że FrameLift AI wchodzi w kolejną fazę rozwoju. W 2026 roku planujemy:
- dynamiczny dobór wag pomiędzy modelem bazowym a modelem klienta,
- dalszą redukcję migotania klatek (flickering),
- zamknięte beta-testy z udziałem studiów animacji i wizualizacji 3D.
Podsumowanie
Zamknięcie etapu badań przemysłowych to dla nas nie tylko formalny kamień milowy, ale przede wszystkim twardy dowód, że AI może realnie zmienić ekonomię produkcji animacji. FrameLift AI łączy:
- szybkość,
- jakość,
- i skalowalność wymaganą w profesjonalnych pipeline’ach renderujących.
W kolejnych wpisach będziemy dzielić się postępami z etapu wdrożeniowego oraz pierwszymi doświadczeniami partnerów beta-testowych.