AzurLaneAutoScript 项目中的分辨率适配问题解析
背景介绍
在AzurLaneAutoScript(简称ALAS)自动化脚本项目中,分辨率适配一直是一个关键的技术挑战。该项目最初设计为仅支持1280×720的标准分辨率,这一决策主要基于两个技术考量:一是早期模拟器截图速度限制,二是维护统一标准以降低开发复杂度。
技术挑战
随着模拟器技术的发展,特别是mumu12模拟器引入nemu_ipc截图方案后,截图性能得到显著提升,这使得在更高分辨率下运行脚本成为可能。然而,当用户尝试将分辨率调整为1920×1080时,脚本会出现"Unknown ui page"的错误提示。
这一问题的根源在于ALAS的界面识别机制。系统通过预先定义的模板图片(基于720p分辨率)与实际截图进行匹配,同时依赖固定的坐标位置进行交互操作。当分辨率变化时,虽然UI元素的比例关系保持不变,但绝对坐标位置发生了变化,导致系统无法正确识别当前界面。
技术实现方案分析
对于希望临时使用1080p分辨率的用户,社区成员提出了两种技术解决方案:
- 截图后缩放方案:在获取截图后,立即将图像缩放至1280×720分辨率。这种方法可以保持与原有模板图片的兼容性,但需要注意缩放算法的选择。推荐使用LANCZOS4插值算法以保证图像质量。
self.image = cv2.resize(self.image, (1280, 720), interpolation=cv2.INTER_LANCZOS4)
- 截图函数修改方案:更优的做法是在截图函数内部进行分辨率转换,这样可以避免横竖屏切换带来的额外问题。这种方案需要在获取原始截图后立即执行缩放操作。
项目维护者的考量
尽管技术上可以实现多分辨率支持,但项目维护者坚持单一分辨率标准有其合理性:
-
维护成本:支持多种分辨率意味着需要维护多套模板图片和坐标体系,显著增加开发和测试工作量。
-
边际效益:非标准分辨率用户群体相对较小,投入大量开发资源支持这些边缘用例的性价比不高。
-
标准化:统一的标准分辨率有助于确保所有用户获得一致的体验,减少因环境差异导致的问题报告。
技术建议
对于确实需要在不同分辨率下使用ALAS的高级用户,可以考虑以下技术路线:
-
动态缩放适配层:开发一个中间适配层,自动处理不同分辨率的截图缩放和坐标转换。
-
模板图片生成系统:建立基于矢量或高分辨率源图片的模板生成系统,按需生成不同分辨率的匹配模板。
-
相对坐标系统:重构点击和识别逻辑,使用相对坐标而非绝对坐标,增强对不同分辨率的适应性。
总结
AzurLaneAutoScript项目坚持720p分辨率标准是经过深思熟虑的技术决策,平衡了功能需求与维护成本。虽然通过图像缩放可以实现临时的多分辨率支持,但从项目长期发展角度看,保持标准分辨率仍是更可持续的方案。对于特殊需求的用户,可以基于开源代码自行实现适配层,但需要注意这可能会增加系统复杂度和潜在的错误风险。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00