NVIDIAk SPADE (GauGAN) ikasketa automatikoaren sistemaren iturburu-kodea argitaratu du, paisaia errealistak sintetiza ditzakeen zirriborro latzetatik, baita proiektuarekin lotutako trebatu gabeko ereduak ere. Sistema martxoan frogatu zen GTC 2019 konferentzian, baina kodea atzo baino ez zen argitaratu. Garapenak CC BY-NC-SA 4.0 (Creative Commons Aitortu-EzKomertziala-PartekatuBerdin 4.0) lizentzia librearekin daude irekita, helburu ez-komertzialetarako soilik erabiltzeko aukera emanez. Kodea Python-en idatzita dago PyTorch markoa erabiliz.
Zirriborroak eszenan gutxi gorabeherako objektuen kokapena zehazten duen mapa segmentatu baten moduan egiten dira. Sortutako objektuen izaera kolore-markak erabiliz zehazten da. Adibidez, betegarri urdin bat zeru bihurtzen da, urdina ur bihurtzen da, berde iluna zuhaitzetan, berde argia belar bihurtzen da, marroi argia harrietan, marroi iluna mendietan, grisa elur bihurtzen da, marro marroi bat errepide bihurtzen da eta urdin bat. ibai batean sartu. Gainera, erreferentziako irudien aukeraketan oinarrituta, konposizioaren estilo orokorra eta eguneko ordua zehazten dira. Mundu birtualak sortzeko proposatzen den tresna espezialisten sorta zabalarentzat baliagarria izan daiteke, arkitekto eta hirigileentzat, jokoen garatzaile eta paisaia diseinatzaileetaraino.
Objektuak sare neuronal generatibo baten bidez (GAN) sintetizatzen dira, eta mapa segmentatu eskematiko batean oinarritutako irudi errealistak sortzen ditu, hainbat milioi argazkitan aldez aurretik trebatutako modelo batetik xehetasunak mailegatuz. Aurretik garatutako irudien sintesi-sistemek ez bezala, proposatutako metodoa eraldaketa espazial moldagarria erabiltzean oinarritzen da, eta ondoren, ikaskuntza automatikoan oinarritutako eraldaketa. Segmentatutako mapa bat prozesatzeak markaketa semantikoaren ordez bat-etortze-emaitza zehatzak lortzeko eta estiloa kontrolatzeko aukera ematen du.
Errealismoa lortzeko, bi sare neuronal lehiatzen dira elkarren artean: sorgailu bat eta diskriminatzaile bat. Sorgailuak benetako argazkien elementuen nahasketan oinarritutako irudiak sortzen ditu, eta diskriminatzaileak irudi errealekiko desbideratze posibleak identifikatzen ditu. Ondorioz, feedbacka sortzen da, eta horren oinarrian sorgailua gero eta lagin hobeagoak konposatzen hasten da, diskriminatzaileak benetakoetatik bereizteari uzten dion arte.
Iturria: opennet.ru