Gibuksan sa NVIDIA ang code alang sa usa ka sistema sa pagkat-on sa makina nga nag-synthesize sa mga talan-awon gikan sa mga sketch

NVIDIA Company gipatik Mga source code sa sistema sa pagkat-on sa makina SALITA (GauGAN), nga nagtugot kanimo sa pag-synthesize sa realistiko nga mga talan-awon base sa mga rough sketch, ingon man usab sa mga kauban sa proyekto gibansay nga mga modelo. Ang sistema kaniadto gipakita kaniadtong Marso sa komperensya sa GTC 2019, apan ang code gimantala lang kagahapon. Mga kalamboan bukas ubos sa usa ka proprietary license CC BY-NC-SA 4.0 (Creative Commons Attribution-NonCommercial-ShareAlike 4.0), nagtugot alang sa dili pangkomersyal nga paggamit lamang. Ang code gisulat sa Python gamit ang framework PyTorch.

Ang mga sketch gihimo sa porma sa usa ka gibahin nga mapa nga nagtino sa pagbutang sa gibanabana nga mga butang sa talan-awon. Ang kinaiya sa namugna nga mga butang gipiho gamit ang mga marka sa kolor. Pananglitan, ang asul nga pun-on mausab ngadto sa langit, asul ngadto sa tubig, itom nga berde ngadto sa mga kahoy, kahayag nga berde ngadto sa sagbot, kahayag brown ngadto sa bato, itom nga brown ngadto sa kabukiran, gray ngadto sa niyebe, usa ka brown nga linya mausab ngadto sa usa ka dalan, ug usa ka asul. linya ngadto sa suba Dugang pa, base sa pagpili sa mga reperensya nga mga imahe, ang kinatibuk-ang istilo sa komposisyon ug oras sa adlaw gitino. Ang gisugyot nga himan alang sa paghimo sa mga virtual nga kalibutan mahimong mapuslanon sa daghang mga espesyalista, gikan sa mga arkitekto ug mga tigplano sa syudad hangtod sa mga developer sa dula ug mga tigdesinyo sa talan-awon.

Ang mga butang gi-synthesize sa usa ka generative adversarial neural network (GAN), nga nagmugna og realistiko nga mga hulagway base sa usa ka schematic segmented nga mapa, nanghulam sa mga detalye gikan sa usa ka modelo nga pre-trained sa pipila ka milyon nga mga litrato. Dili sama sa kaniadto naugmad nga mga sistema sa synthesis sa imahe, ang gisugyot nga pamaagi gibase sa paggamit sa adaptive spatial nga pagbag-o nga gisundan sa pagbag-o base sa pagkat-on sa makina. Ang pagproseso sa usa ka gibahin nga mapa imbes nga semantic markup nagtugot kanimo sa pagkab-ot sa eksaktong mga resulta sa pagpares ug pagkontrol sa estilo.

Aron makab-ot ang realismo, duha ka neural network ang nakigkompetensya sa usag usa: usa ka generator ug usa ka discriminator. Ang generator nagmugna og mga hulagway base sa pagsagol sa mga elemento sa tinuod nga mga litrato, ug ang discriminator nagpaila sa posibleng mga pagtipas gikan sa tinuod nga mga hulagway. Ingon usa ka sangputanan, naporma ang feedback, nga gibase sa diin ang generator nagsugod sa paghimo sa labi ka labi ka maayo nga mga sampol hangtod nga ang discriminator mohunong sa pag-ila kanila gikan sa tinuod.

Source: opennet.ru