NVIDIA ಕಂಪನಿ ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಯ ಮೂಲ ಸಂಕೇತಗಳು (GauGAN), ಇದು ಒರಟು ರೇಖಾಚಿತ್ರಗಳ ಆಧಾರದ ಮೇಲೆ ವಾಸ್ತವಿಕ ಭೂದೃಶ್ಯಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ, ಜೊತೆಗೆ ಯೋಜನೆಗೆ ಸಂಬಂಧಿಸಿದವು . ವ್ಯವಸ್ಥೆಯಾಗಿತ್ತು ಮಾರ್ಚ್‌ನಲ್ಲಿ GTC 2019 ಸಮ್ಮೇಳನದಲ್ಲಿ, ಆದರೆ ಕೋಡ್ ಅನ್ನು ನಿನ್ನೆಯಷ್ಟೇ ಪ್ರಕಟಿಸಲಾಯಿತು. ಅಭಿವೃದ್ಧಿಗಳು ಸ್ವಾಮ್ಯದ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ (ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅಟ್ರಿಬ್ಯೂಷನ್-ವಾಣಿಜ್ಯೇತರ-ಹಂಚಿಕೆ 4.0), ವಾಣಿಜ್ಯೇತರ ಬಳಕೆಗೆ ಮಾತ್ರ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಚೌಕಟ್ಟನ್ನು ಬಳಸಿಕೊಂಡು ಪೈಥಾನ್‌ನಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ಬರೆಯಲಾಗಿದೆ .
ದೃಶ್ಯದಲ್ಲಿ ಅಂದಾಜು ವಸ್ತುಗಳ ನಿಯೋಜನೆಯನ್ನು ನಿರ್ಧರಿಸುವ ವಿಭಜಿತ ನಕ್ಷೆಯ ರೂಪದಲ್ಲಿ ರೇಖಾಚಿತ್ರಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ. ರಚಿತವಾದ ವಸ್ತುಗಳ ಸ್ವರೂಪವನ್ನು ಬಣ್ಣ ಗುರುತುಗಳನ್ನು ಬಳಸಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ನೀಲಿ ಬಣ್ಣವು ಆಕಾಶವಾಗಿ, ನೀಲಿ ನೀರು, ಕಡು ಹಸಿರು ಮರಗಳಾಗಿ, ತಿಳಿ ಹಸಿರು ಹುಲ್ಲು, ತಿಳಿ ಕಂದು ಬಂಡೆಗಳಾಗಿ, ಕಡು ಕಂದು ಪರ್ವತಗಳಾಗಿ, ಬೂದು ಹಿಮವಾಗಿ, ಕಂದು ರೇಖೆಯು ರಸ್ತೆಯಾಗಿ ಮತ್ತು ನೀಲಿ ಬಣ್ಣಕ್ಕೆ ರೂಪಾಂತರಗೊಳ್ಳುತ್ತದೆ. ನದಿಗೆ ಸಾಲು ಹೆಚ್ಚುವರಿಯಾಗಿ, ಉಲ್ಲೇಖ ಚಿತ್ರಗಳ ಆಯ್ಕೆಯ ಆಧಾರದ ಮೇಲೆ, ಒಟ್ಟಾರೆ ಸಂಯೋಜನೆಯ ಶೈಲಿ ಮತ್ತು ದಿನದ ಸಮಯವನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ವರ್ಚುವಲ್ ಪ್ರಪಂಚಗಳನ್ನು ರಚಿಸುವ ಉದ್ದೇಶಿತ ಸಾಧನವು ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಮತ್ತು ನಗರ ಯೋಜಕರಿಂದ ಹಿಡಿದು ಆಟದ ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್ ವಿನ್ಯಾಸಕರವರೆಗೆ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ತಜ್ಞರಿಗೆ ಉಪಯುಕ್ತವಾಗಿದೆ.
ವಸ್ತುಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಪ್ರತಿಕೂಲ ನರಮಂಡಲದ ಮೂಲಕ ಸಂಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ (), ಇದು ಹಲವಾರು ಮಿಲಿಯನ್ ಛಾಯಾಚಿತ್ರಗಳಲ್ಲಿ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯಿಂದ ವಿವರಗಳನ್ನು ಎರವಲು ಪಡೆದು, ಸ್ಕೀಮ್ಯಾಟಿಕ್ ವಿಭಜಿತ ನಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ ನೈಜ ಚಿತ್ರಗಳನ್ನು ರಚಿಸುತ್ತದೆ. ಹಿಂದೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಇಮೇಜ್ ಸಿಂಥೆಸಿಸ್ ಸಿಸ್ಟಮ್‌ಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಪ್ರಸ್ತಾವಿತ ವಿಧಾನವು ಹೊಂದಾಣಿಕೆಯ ಪ್ರಾದೇಶಿಕ ರೂಪಾಂತರದ ಬಳಕೆಯನ್ನು ಆಧರಿಸಿದೆ, ನಂತರ ಯಂತ್ರ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ರೂಪಾಂತರಗೊಳ್ಳುತ್ತದೆ. ಸೆಮ್ಯಾಂಟಿಕ್ ಮಾರ್ಕ್ಅಪ್ ಬದಲಿಗೆ ವಿಭಜಿತ ನಕ್ಷೆಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದರಿಂದ ನಿಖರವಾದ ಹೊಂದಾಣಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಲು ಮತ್ತು ಶೈಲಿಯನ್ನು ನಿಯಂತ್ರಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
ವಾಸ್ತವಿಕತೆಯನ್ನು ಸಾಧಿಸಲು, ಎರಡು ನರಮಂಡಲಗಳು ಪರಸ್ಪರ ಸ್ಪರ್ಧಿಸುತ್ತವೆ: ಜನರೇಟರ್ ಮತ್ತು ತಾರತಮ್ಯ. ಜನರೇಟರ್ ನೈಜ ಛಾಯಾಚಿತ್ರಗಳ ಮಿಶ್ರಣ ಅಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಚಿತ್ರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ತಾರತಮ್ಯವು ನೈಜ ಚಿತ್ರಗಳಿಂದ ಸಂಭವನೀಯ ವಿಚಲನಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ, ಪ್ರತಿಕ್ರಿಯೆಯು ರೂಪುಗೊಳ್ಳುತ್ತದೆ, ಅದರ ಆಧಾರದ ಮೇಲೆ ಜನರೇಟರ್ ಹೆಚ್ಚು ಉತ್ತಮ ಮಾದರಿಗಳನ್ನು ಸಂಯೋಜಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ, ತಾರತಮ್ಯವು ನೈಜವಾದವುಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತದೆ.
ಮೂಲ: opennet.ru