Open Access

Diese Arbeit untersucht Deep-Learning-Verfahren zur automatisierten Zuordnung und Synchronisation audiovisueller Daten im Kontext der professionellen Film- und Videoproduktion. Dazu werden vortrainierte Audio-Video-Encoder auf öffentlichen und proprietären Datensätzen verglichen, ein geeignetes Synchronisationsmodell auf praxisnahen Filmdaten evaluiert und das Stage-I-Repräsentationslernen des Synchformer-Ansatzes methodisch weiterentwickelt.

In industrial applications, AI-based methods are gaining increasing significance in optical systems for tasks such as identification, inspection, and classification. The appeal of these methods lies in their operator-friendly implementation and often superior performance, particularly in complex classification tasks. However, despite the substantial potential of AI-based methods, their application is frequently constrained by the significant resources needed to acquire an appropriate training dataset. For instance, in the sand casting industry, the complexity of optical inspection for cast parts is compounded by considerable variation in local surface topography and global object geometry. This challenge pertains not only to the volume of images required but also to the extensive process of accurate labelling. In this work, we investigate the effectiveness and limitations of synthetic training data for an AI-based optical code reader, designed for the identification and tracking of cast parts. This scanner is capable of detecting and classifying a unique code, called Cast Code, developed specifically for the casting industry, enabling the identification of individual cast part numbers. For synthetic image generation, we utilize physically based rendering, which allows comprehensive control over all rendering parameters. This approach facilitates both a systematic investigation of parameter relevance and an automated labelling process for the training datasets. Our results indicate that detailed geometric modelling of both, the local surface topography and the global object geometry of the pins has a notable positive impact on the neural network’s recognition accuracy, achieving accuracy rates of up to 84 %, on real pin images, using synthetic training datasets, only.

Während bei Erzeugung von Wiederspielwert im Game Design oftmals das Spielsystem als Gesamtes betrachtet wird und die narrative Verzweigung im Vordergrund steht (vgl. [HP20; Agh21]). untersucht die vorliegende Arbeit am Beispiel des Rollenspiels Baldur’s Gate 3 (Larian Studios, 2023) die These, dass Wiederspielwert auch bei weitgehend identischen Szenarien durch systemische Objektinteraktionen entstehen kann. Auf Grundlage bestehender Konzepte zur Wiederspielbarkeit (sameness, Periodic-Dilemma-Generator, Aspects of Replayability) wird das Interaktionsdesign von Baldur’s Gate 3 in die Kategorien Platzierungs-, Verbrauchs- und Ausrüstungsinteraktion, sowie Umweltmanipulation unterteilt und anhand konkreter Spielszenarien analysiert. Die Untersuchung zeigt, dass die Verkettung von Interaktionen und deren Folgereaktionen Unvorhersehbarkeit, Kombinationsvielfalt und Spielerautorität erzeugt, trotz identischer Szenarien pro Spieldurchlauf. Interaktionen sind stets ein Kernelement der Szenarien. Durch die zentrale Einbindung von Interaktionen werden optimale Lösungswege verhindert und mehrere nicht vorgeschriebene Lösungswege geschaffen, die Spielerkreativität fördern. Damit erweitert Baldur’s Gate 3 klassische Konzepte. Die Ergebnisse liefern einen Beitrag zum Verständnis effektiver Designstrategien zur Erzeugung von Wiederspielwert und erweitern diese.

In den vergangenen Jahren hat sich der Spielermarkt immer mehr zu einem Spielermarkt gewandelt, welcher von Live-Service-Games dominiert ist. Eine Frage, welche sich hierbei stellt ist, wie dieser Wandel die Erwartungen von Spieler:innen an Spiele verändert hat. Insbesondere im Bezug auf Inhalts-Updates. Was genau sich gewandelt hat, und mögliche Auslöser dafür werden genauer betrachtet.

Die Veröffentlichung von World of Warcraft Classic im Jahr 2019 versprach die Rückkehr zu einer früheren, scheinbar authentischeren Version von Azeroth und zu einem vermeintlich authentischen Spielerlebnis von 2004. Dieses Versprechen beruhte jedoch auf einer problematischen Annahme: Eine technische Rekonstruktion des Spiels könne auch die damalige Spielerfahrung wiederherstellen. Die sogenannte Classic-Plus-Bewegung reagiert auf dieses Problem mit dem Wunsch nach einer alternativen Fortsetzung von Vanilla-WoW, der ursprünglichen Spielversion von 2004. Dabei entsteht ein grundlegender Widerspruch: Die Bewegung verlangt nach neuen Entdeckungen und spielmechanischer Erneuerung, will aber zugleich den nostalgischen Kern des Originals bewahren. Season of Discovery (SoD), eine saisonale und experimentelle Variante von WoW Classic, griff mit neuen Runen, veränderten Klassenrollen, phasenweiser Progression und neuen Inhalten in bekannten Gebieten Elemente dieser Classic-Plus-Fantasie auf. Als Fallbeispiel macht SoD die Grenzen des Kompromisses zwischen Bewahrung und Erneuerung sichtbar. Classic-Plus erscheint deshalb weniger als klar definiertes Designprojekt denn als Projektionsfläche unterschiedlicher Nostalgievorstellungen.