ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് ആനിമേഷൻ സിന്തസിസിനായുള്ള കോഡ് തുറക്കുക

ഷാങ്ഹായ് ടെക്നിക്കൽ യൂണിവേഴ്സിറ്റിയിലെ ഒരു കൂട്ടം ഗവേഷകർ പ്രസിദ്ധീകരിച്ചു ഉപകരണങ്ങൾ ആൾമാറാട്ടം, ഇത് സ്റ്റാറ്റിക് ഇമേജുകൾ ഉപയോഗിച്ച് ആളുകളുടെ ചലനങ്ങളെ അനുകരിക്കാനും വസ്ത്രങ്ങൾ മാറ്റിസ്ഥാപിക്കാനും മറ്റൊരു പരിതസ്ഥിതിയിലേക്ക് മാറ്റാനും ഒരു വസ്തു ദൃശ്യമാകുന്ന ആംഗിൾ മാറ്റാനും മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിക്കാൻ അനുവദിക്കുന്നു. പൈത്തണിലാണ് കോഡ് എഴുതിയിരിക്കുന്നത്
ഒരു ചട്ടക്കൂട് ഉപയോഗിച്ച് പൈടോർച്ച്. അസംബ്ലിയും ആവശ്യമാണ് ടോർച്ച് വിഷൻ ഒപ്പം CUDA ടൂൾകിറ്റും.

ടൂൾകിറ്റിന് ഇൻപുട്ടായി ഒരു ദ്വിമാന ഇമേജ് ലഭിക്കുകയും തിരഞ്ഞെടുത്ത മോഡലിനെ അടിസ്ഥാനമാക്കി പരിഷ്കരിച്ച ഫലം സമന്വയിപ്പിക്കുകയും ചെയ്യുന്നു. മൂന്ന് പരിവർത്തന ഓപ്ഷനുകൾ പിന്തുണയ്ക്കുന്നു:
മോഡൽ പരിശീലിപ്പിച്ച ചലനങ്ങളെ പിന്തുടരുന്ന ഒരു ചലിക്കുന്ന വസ്തു സൃഷ്ടിക്കുന്നു. ഒരു മോഡലിൽ നിന്ന് ഒരു വസ്തുവിലേക്ക് രൂപഭാവത്തിൻ്റെ ഘടകങ്ങൾ കൈമാറുന്നു (ഉദാഹരണത്തിന്, വസ്ത്രത്തിൻ്റെ മാറ്റം). ഒരു പുതിയ കോണിൻ്റെ ജനറേഷൻ (ഉദാഹരണത്തിന്, ഒരു പൂർണ്ണ മുഖചിത്രത്തെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു പ്രൊഫൈൽ ചിത്രത്തിൻ്റെ സമന്വയം). മൂന്ന് രീതികളും സംയോജിപ്പിക്കാൻ കഴിയും, ഉദാഹരണത്തിന്, വ്യത്യസ്ത വസ്ത്രങ്ങളിൽ സങ്കീർണ്ണമായ അക്രോബാറ്റിക് ട്രിക്ക് പ്രകടനം അനുകരിക്കുന്ന ഒരു ഫോട്ടോയിൽ നിന്ന് നിങ്ങൾക്ക് ഒരു വീഡിയോ സൃഷ്ടിക്കാൻ കഴിയും.

സിന്തസിസ് പ്രക്രിയയിൽ, ഒരു ഫോട്ടോഗ്രാഫിൽ ഒരു ഒബ്ജക്റ്റ് തിരഞ്ഞെടുക്കുന്നതിനും ചലിക്കുമ്പോൾ കാണാതായ പശ്ചാത്തല ഘടകങ്ങൾ രൂപപ്പെടുത്തുന്നതിനുമുള്ള പ്രവർത്തനങ്ങൾ ഒരേസമയം നടത്തുന്നു. ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡൽ ഒരിക്കൽ പരിശീലിപ്പിക്കുകയും വിവിധ രൂപാന്തരങ്ങൾക്കായി ഉപയോഗിക്കുകയും ചെയ്യാം. ലോഡിംഗിനായി ലഭ്യമാണ് പ്രാഥമിക പരിശീലനമില്ലാതെ ഉപകരണങ്ങൾ ഉടനടി ഉപയോഗിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന റെഡിമെയ്ഡ് മോഡലുകൾ. ഇതിന് കുറഞ്ഞത് 8GB മെമ്മറിയുള്ള ഒരു GPU ആവശ്യമാണ്.

ദ്വിമാന സ്ഥലത്ത് ശരീരത്തിൻ്റെ സ്ഥാനം വിവരിക്കുന്ന പ്രധാന പോയിൻ്റുകൾ വഴിയുള്ള പരിവർത്തനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പരിവർത്തന രീതികളിൽ നിന്ന് വ്യത്യസ്തമായി, മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിച്ച് ശരീരത്തിൻ്റെ വിവരണത്തോടൊപ്പം ഒരു ത്രിമാന മെഷ് സമന്വയിപ്പിക്കാൻ ആൾമാറാട്ടം ശ്രമിക്കുന്നു.
കൈകാലുകളുടെ സ്വാഭാവിക ചലനങ്ങളെ അനുകരിച്ചുകൊണ്ട് വ്യക്തിഗതമാക്കിയ ശരീര ആകൃതിയും നിലവിലെ ഭാവവും കണക്കിലെടുത്ത് കൃത്രിമങ്ങൾ നടത്താൻ നിർദ്ദിഷ്ട രീതി അനുവദിക്കുന്നു.

പരിവർത്തന പ്രക്രിയയിൽ ടെക്സ്ചറുകൾ, ശൈലി, നിറങ്ങൾ, മുഖം തിരിച്ചറിയൽ എന്നിവ പോലുള്ള യഥാർത്ഥ വിവരങ്ങൾ സംരക്ഷിക്കുന്നതിന്, ജനറേറ്റീവ് പ്രതികൂല ന്യൂറൽ നെറ്റ്‌വർക്ക് (ലിക്വിഡ് വാർപ്പിംഗ് GAN). സോഴ്സ് ഒബ്ജക്റ്റിനെ കുറിച്ചുള്ള വിവരങ്ങളും അതിൻ്റെ കൃത്യമായ ഐഡൻ്റിഫിക്കേഷനുള്ള പാരാമീറ്ററുകളും പ്രയോഗിക്കുന്നതിലൂടെ വേർതിരിച്ചെടുക്കുന്നു കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്.

അവലംബം: opennet.ru