NVIDIA एक मशीन लर्निंग सिस्टम के लिए कोड खोलता है जो रेखाचित्रों से परिदृश्यों को संश्लेषित करता है

एनवीडिया कंपनी प्रकाशित मशीन लर्निंग सिस्टम स्रोत कोड तलवार (गौगन), जो आपको किसी न किसी रेखाचित्र के साथ-साथ परियोजना से जुड़े यथार्थवादी परिदृश्यों को संश्लेषित करने की अनुमति देता है प्रशिक्षित मॉडल. व्यवस्था थी प्रदर्शन किया मार्च में जीटीसी 2019 सम्मेलन में, लेकिन कोड कल ही प्रकाशित हुआ था। घटनाक्रम खुला हुआ एक मालिकाना लाइसेंस के तहत सीसी BY-NC-SA 4.0 (क्रिएटिव कॉमन्स एट्रिब्यूशन-नॉन-कमर्शियल-शेयरएलाइक 4.0), केवल गैर-व्यावसायिक उपयोग की अनुमति। कोड को फ्रेमवर्क का उपयोग करके पायथन में लिखा गया है पायटॉर्च.

रेखाचित्र एक खंडित मानचित्र के रूप में तैयार किए जाते हैं जो दृश्य पर अनुमानित वस्तुओं की स्थिति निर्धारित करता है। उत्पन्न वस्तुओं की प्रकृति रंग चिह्नों का उपयोग करके निर्दिष्ट की जाती है। उदाहरण के लिए, नीला भराव आकाश में, नीला पानी में, गहरा हरा पेड़ों में, हल्का हरा घास में, हल्का भूरा चट्टानों में, गहरा भूरा पहाड़ों में, धूसर बर्फ में, भूरे रंग की रेखा सड़क में और नीला रंग में बदल जाता है। नदी में लाइन इसके अतिरिक्त, संदर्भ छवियों के चयन के आधार पर, समग्र रचना शैली और दिन का समय निर्धारित किया जाता है। आभासी दुनिया बनाने के लिए प्रस्तावित उपकरण आर्किटेक्ट और शहरी योजनाकारों से लेकर गेम डेवलपर्स और लैंडस्केप डिजाइनरों तक विशेषज्ञों की एक विस्तृत श्रृंखला के लिए उपयोगी हो सकता है।

वस्तुओं को एक जनरेटिव प्रतिकूल तंत्रिका नेटवर्क द्वारा संश्लेषित किया जाता है (GAN), जो एक योजनाबद्ध खंडित मानचित्र के आधार पर यथार्थवादी छवियां बनाता है, कई मिलियन तस्वीरों पर पूर्व-प्रशिक्षित मॉडल से विवरण उधार लेता है। पहले से विकसित छवि संश्लेषण प्रणालियों के विपरीत, प्रस्तावित विधि मशीन लर्निंग के आधार पर परिवर्तन के बाद अनुकूली स्थानिक परिवर्तन के उपयोग पर आधारित है। सिमेंटिक मार्कअप के बजाय खंडित मानचित्र को संसाधित करने से आप सटीक मिलान परिणाम प्राप्त कर सकते हैं और शैली को नियंत्रित कर सकते हैं।

यथार्थवाद प्राप्त करने के लिए, दो तंत्रिका नेटवर्क एक दूसरे के साथ प्रतिस्पर्धा करते हैं: एक जनरेटर और एक विवेचक। जनरेटर वास्तविक तस्वीरों के मिश्रण तत्वों के आधार पर छवियां उत्पन्न करता है, और विवेचक वास्तविक छवियों से संभावित विचलन की पहचान करता है। परिणामस्वरूप, फीडबैक बनता है, जिसके आधार पर जनरेटर तब तक बेहतर नमूने बनाना शुरू कर देता है जब तक कि विवेचक उन्हें वास्तविक नमूनों से अलग करना बंद नहीं कर देता।

स्रोत: opennet.ru