Deep Learning rada Zemei līdzīgu reljefu, pētot NASA satelītattēlus

Ainavas videospēlēs un mākslīgajās pasaulēs var ģenerēt divos veidos. Pirmais ir reljefa izveide ar rokām un aizpildīšana ar atbilstošām krāsām un faktūrām, piemēram, akmeņiem, zāli, kokiem, sniegu un tā tālāk. Tas rada augstas kvalitātes rezultātus, bet ir dārgi, jo ir iesaistīts cilvēku darbs.

Otrā metode ir ainavas ģenerēšana algoritmiski, process, kas ir daudz ātrāks un lētāks. Šādi spēlētāji spēlē Minecraft katru reizi spēlē pilnīgi jaunā ainavā.

Šī procesa pamatā esošie algoritmi ir labi izstrādāti, un programmētāji gadu gaitā tos ir pielāgojuši, lai radītu dažādus klimatus, tekstūras, augstuma variācijas utt. Taču jaunu ainavu ģenerēšanas algoritmu rakstīšana ir laikietilpīga un dārga. Tātad veids, kā automatizēt to izveidi, būtu ievērojams progress.

Šodien Kristofers Bekhems un Kristofers Pals no Monreālas Mācību algoritmu institūta Kanādā saka, ka ir apmācījuši dziļi apmācāmu iekārtu, lai radītu reālistiskas ainavas, izmantojot Zemes satelītattēlus kā mācību komplektu. Faktiski iekārta raksta savu algoritmu. Darbs sola būtiski mainīt veidu, kā lidojumā var radīt mākslīgās ainavas.

Sistēmu, ko izmanto Bekhems un Pals, sauc par ģeneratīvu pretinieku tīklu. Tas sastāv no divām padziļinātām mācību iekārtām, kas darbojas kopā, lai risinātu problēmu, šajā gadījumā veidojot reālistisku reljefu.

Pirmā mašīna ģenerē jaunu reljefu, bet otrā novērtē rezultātus un sniedz atgriezenisko saiti. Pēc tam pirmā iekārta izmanto šo atgriezenisko saiti, lai izveidotu citu ainavu kopu, ko otrā iekārta novērtē ar atgriezenisko saiti utt. Ideja ir tāda, ka otrā iekārta iemācās radīt ainavas, kas atbilst pirmās mašīnas sniegtajām atsauksmēm.

Skaidrs, ka svarīga šī procesa daļa ir iemācīt pirmajai mašīnai, kādai vajadzētu izskatīties ideālai ainavai. Šāda veida uzdevumi ir kļuvuši vienkārši mašīnmācībā, ja ir liela attēlu datu bāze, no kuras mācīties, piemēram, sejas vai objektu atpazīšana. Bet tas vēl nav izdarīts reljefa ģenerēšanai šādā veidā.

Tāpēc Bekhema un Pals pirmais mērķis bija izveidot apmācību attēlu datubāzi.

Izrādās, ka tieši šāda veida dati ir pieejami, pateicoties NASA programmai Visible Earth, kas ir izveidojusi detalizētu mūsu mājas planētas karti. Tas ietver datus par augstumu, formu un krāsu.

NASA attēli ir milzīgi: 21 600 pikseļi reiz 10 800 pikseļi. Tie parāda visu planētu, katrs pikselis attēlo kvadrātkilometru uz virsmas. Bekhems un Pals ņem nejauši izvēlētu 512 x 512 pikseļu logu un pārvelk to pāri attēliem, lai izveidotu lielu apmācību attēlu paraugu datubāzi. Tie noņem visus attēlus, kas lielākoties ir melni (t.i., kuros redzams tīrs okeāns), lai apmācība nebūtu pārāk niecīga. Viņi saka, ka kolekcijas faktūras var atbilst dažādiem biomiem, piemēram, džungļiem, tuksnesim un arktikai.

Pēc tam viņi izmanto šo datu kopu, lai apmācītu padziļinātu mācību iekārtu, lai tā atpazītu dažādu veidu reālistiskus Zemes reljefus. Pēc tam viņi uzstādīja citu dziļas apmācības iekārtu, lai nejauši ģenerētu 512x512 pikseļu attēlus. Tā nosūta šīs kartes apmācītajai iekārtai, kas tās novērtē un nosūta atsauksmes.

Sākumā, protams, ģenerētās ainavas ir slikti attēlotas Zemes reljefa. Taču daudzu iterāciju laikā iekārta iemācās izveidot ainavas, kas saņem labus novērtējumus. Kad tas ir izdarīts, tas var nepārtraukti radīt jaunus Zemei līdzīgus reljefus.

Bet attēli nav ideāli. Tie var saturēt artefaktus no mācību procesa, kas neatbilst reālās pasaules funkcijām. Pētnieki saka, ka tos varētu novērst, izmantojot dziļākas mācīšanās konfigurācijas vai aizmiglojot attēlus.

Skaidrs, ka darāmā ir vairāk, taču šķiet, ka pāris ir apmierināti ar šo rezultātu. Viņi saka, ka esam sasnieguši saprātīgu pirmo soli ceļā uz reljefa procesuālu ģenerēšanu, pamatojoties uz reāliem datiem.

Tas ir interesants darbs, kam ir plašs citu lietojumu klāsts. Sākumā apmācības datubāzei nav jābūt uz Zemes. NASA rīcībā ir detalizēti Mēness, Marsa, Titāna un dažādu citu vietu Saules sistēmā attēli, kurus varētu izmantot līdzīgu tīklu apmācībai. Tātad spēles, piemēram, Minecraft, var viegli iegūt atšķirīgu Mēness vai Marsa sajūtu ar nelielu cilvēka ieguldījumu.

Un apmācības datubāzei pat nav jābūt balstītai uz reljefu. Var iedomāties, ka tā pati shēma tiek piemērota, lai sintezētu 3D sietus, kas pēc tam tiek teksturēti (piemēram, sejas), saka Bekhems un Pals.

Tas varētu interesēt plašu spēļu veidotāju un citu lietotāju loku. Šāda veida iespējas palīdz ne tikai veicināt bagātīgāku izklaides pieredzi, bet arī nodrošināt noderīgus rīkus, lai palīdzētu satura veidotājiem (piemēram, 3D māksliniekiem) viņu darbā, saka Bekhems un Pals.

Atsauce: arxiv.org/abs/1707.03383 : solis ceļā uz procesuālo reljefa izveidi, izmantojot GAN

paslēpties