Studijuojant NASA palydovinius vaizdus, ​​giluminis mokymasis sukuria į žemę panašią reljefą

Vaizdo žaidimų ir dirbtinių pasaulių peizažai gali būti generuojami dviem būdais. Pirma, reljefą reikia apdirbti rankomis ir užpildyti atitinkamomis spalvomis bei tekstūromis, tokiomis kaip uolos, žolė, medžiai, sniegas ir pan. Tai duoda aukštos kokybės rezultatus, bet yra brangu, nes reikia žmogaus darbo.

Antrasis būdas yra sukurti kraštovaizdį algoritmiškai, o tai yra daug greitesnis ir pigesnis procesas. Taip žaidimo „Minecraft“ žaidėjai kiekvieną kartą žaisdami patenka į visiškai naują kraštovaizdį.

Šio proceso algoritmai yra gerai išvystyti, o programuotojai bėgant metams juos patobulino, kad sukurtų skirtingą klimatą, tekstūras, aukščio svyravimus ir pan. Tačiau nauji kraštovaizdžio generavimo algoritmai patys užima daug laiko ir yra brangūs. Taigi būdas automatizuoti jų kūrimą būtų didelis pažanga.

Šiandien Christopheris Beckhamas ir Christopheris Palas iš Monrealio mokymosi algoritmų instituto Kanadoje sako, kad jie išmokė gilaus mokymosi mašiną, kad būtų galima sukurti tikroviškus kraštovaizdžius, naudojant palydovinius Žemės vaizdus kaip mokymo rinkinį. Tiesą sakant, mašina rašo savo algoritmą. Šis darbas žada gerokai pakeisti dirbtinių peizažų kūrimo būdą.

Sistema, kurią išnaudoja Beckhamas ir Pal, vadinama generatyviniu priešininkų tinklu. Jį sudaro dvi gilaus mokymosi mašinos, kurios kartu sprendžia problemą, šiuo atveju sukuria tikrovišką reljefą.

Pirmoji mašina sukuria naują reljefą, o antroji įvertina rezultatus ir pateikia grįžtamąjį ryšį. Tada pirmoji mašina naudoja šį grįžtamąjį ryšį, kad sukurtų kitą peizažų rinkinį, kurį antroji mašina įvertina remdamasi atsiliepimais ir pan. Idėja yra ta, kad antroji mašina išmoksta kurti kraštovaizdžius, atitinkančius pirmosios mašinos pateiktus atsiliepimus.

Akivaizdu, kad svarbi šio proceso dalis yra pirmosios mašinos mokymas, kaip turėtų atrodyti idealus kraštovaizdis. Tokio tipo užduotys tapo nesudėtingos atliekant mašininį mokymąsi, kai yra didelė vaizdų duomenų bazė, iš kurios galima mokytis, pavyzdžiui, veido atpažinimo arba objektų atpažinimo. Tačiau reljefo generavimui tokiu būdu dar nebuvo padaryta.

Taigi pirmasis Beckhamo ir Pal tikslas buvo sukurti vaizdų duomenų bazę mokymui.

Pasirodo, būtent tokius duomenis galima gauti NASA programos „Visible Earth“ dėka, kuri sukūrė išsamų mūsų gimtosios planetos žemėlapį. Tai apima duomenis apie aukštį, formą ir spalvą.

NASA vaizdai yra didžiuliai: 21 600 x 10 800 pikselių. Jie rodo visą planetą, o kiekvienas pikselis reiškia kvadratinį kilometrą paviršiuje. Beckhamas ir Palas paima atsitiktinį 512 x 512 pikselių langą ir perbraukia jį per vaizdus, ​​kad sukurtų didelę mokymosi vaizdų pavyzdžių duomenų bazę. Jie pašalina visus vaizdus, ​​kurie daugiausia yra juodi (t. y. kuriuose rodomas grynas vandenynas), kad mokymas nebūtų per daug banalus. Pasak jų, kolekcijos tekstūros gali atitikti įvairius biomus, tokius kaip džiunglės, dykuma ir arktinė.

Tada jie naudoja šį duomenų rinkinį, kad išmokytų gilaus mokymosi mašiną atpažinti tikroviškus įvairių tipų Žemės reljefus. Tada jie sukūrė kitą gilaus mokymosi įrenginį, kad atsitiktinai generuotų 512 x 512 pikselių vaizdus. Jis siunčia šiuos žemėlapius apmokytam įrenginiui, kuris juos įvertina ir siunčia atsiliepimus.

Žinoma, iš pradžių sukurti peizažai yra prasti Žemės reljefo atvaizdai. Tačiau per daugelį iteracijų mašina išmoksta kurti kraštovaizdžius, kurie sulaukia gerų įvertinimų. Ir kai jis tai padarys, jis gali nuolat kurti naujus į Žemę panašius reljefus.

Tačiau vaizdai nėra tobuli. Juose gali būti mokymosi proceso artefaktų, kurie neatitinka realaus pasaulio ypatybių. Pasak mokslininkų, to būtų galima išvengti naudojant gilesnes mokymosi konfigūracijas arba suliejus vaizdus.

Akivaizdu, kad reikia nuveikti daugiau, bet pora atrodo patenkinta šiuo rezultatu. Jie teigia, kad padarėme pagrįstą pirmąjį žingsnį link procedūrinio reljefo generavimo, pagrįsto realaus pasaulio duomenimis.

Tai įdomus darbas, turintis daugybę kitų pritaikymų. Iš pradžių mokymo duomenų bazė nebūtinai turi būti Žemėje. NASA turi išsamių Mėnulio, Marso, Titano ir įvairių kitų Saulės sistemos vietų vaizdų, kurie galėtų būti naudojami panašiems tinklams treniruoti. Taigi žaidimai, tokie kaip „Minecraft“, gali lengvai įgyti ryškų mėnulio ar Marso pojūtį, jei žmogus mažai prisidėtų.

Ir mokymo duomenų bazė net nebūtinai turi būti pagrįsta reljefu. Galima įsivaizduoti, kad ta pati schema taikoma sintezuojant 3D tinklelius, kurie vėliau yra tekstūruojami (pvz., veidai), sako Beckhamas ir Pal.

Tai gali būti įdomu daugeliui žaidimų kūrėjų ir kitų. Tokios galimybės ne tik skatina turtingesnę pramoginę patirtį, bet ir suteikia naudingų įrankių, padedančių turinio gamintojams (pvz., 3D menininkams) dirbti, sako Beckhamas ir Pal.

Nuoroda: arxiv.org/abs/1707.03383 : žingsnis link procedūrinio reljefo generavimo naudojant GAN

paslėpti