NVIDIA သည် SPADE (GauGAN) စက်သင်ယူမှုစနစ်အတွက် အရင်းအမြစ်ကုဒ်ကို ထုတ်ဝေခဲ့ပြီး၊ ကြမ်းတမ်းသောပုံကြမ်းများမှ လက်တွေ့ဆန်သော ရှုခင်းများကို ပေါင်းစပ်နိုင်သည့်အပြင် ပရောဂျက်နှင့်ဆက်စပ်၍ မလေ့ကျင့်ရသေးသော မော်ဒယ်များကို ထုတ်ဝေထားသည်။ အဆိုပါစနစ်ကို မတ်လတွင် GTC 2019 ကွန်ဖရင့်တွင် သရုပ်ပြခဲ့သော်လည်း ကုဒ်ကို ယမန်နေ့ကသာ ထုတ်ပြန်ခဲ့သည်။ တိုးတက်မှုများကို အခမဲ့လိုင်စင် CC BY-NC-SA 4.0 (Creative Commons Attribution-NonCommercial-ShareAlike 4.0) ဖြင့် စီးပွားဖြစ်မဟုတ်သော ရည်ရွယ်ချက်များအတွက်သာ အသုံးပြုခွင့်ပေးသည်။ ကုဒ်ကို PyTorch framework ကို အသုံးပြု၍ Python တွင် ရေးသားထားသည်။
ပုံကြမ်းများကို အခင်းဖြစ်ရာပေါ်ရှိ အနီးစပ်ဆုံးအရာဝတ္ထုများ နေရာချထားမှုကို ဆုံးဖြတ်ပေးသည့် အပိုင်းခွဲမြေပုံပုံစံဖြင့် ရေးဆွဲထားသည်။ ထုတ်လုပ်ထားသော အရာဝတ္ထုများ၏ သဘောသဘာဝကို အရောင်အမှတ်အသားများဖြင့် သတ်မှတ်ထားသည်။ ဥပမာအားဖြင့်၊ အပြာရောင်ဖြည့်စွက်စာသည် ကောင်းကင်သို့၊ အပြာရောင်သို့ပြောင်းသွားသည်၊ စိမ်းမှောင်သောသစ်ပင်များအဖြစ်သို့၊ အစိမ်းဖျော့ဖျော့၊ မြက်ခင်းထဲသို့ အစိမ်းဖျော့ဖျော့၊ အညိုဖျော့ဖျော့ကို ကျောက်တုံးများအဖြစ်သို့၊ အညိုရောင်မှ တောင်များအဖြစ်သို့ ပြောင်းလဲသည်၊ မီးခိုးရောင်မှ နှင်းများအဖြစ်သို့ ပြောင်းလဲသည်၊ အညိုရောင်မျဉ်းသည် လမ်းအဖြစ်သို့ ပြောင်းလဲသွားပြီး အပြာရောင်၊ မြစ်ထဲသို့ တန်းစီသည်။ ထို့အပြင်၊ ရည်ညွှန်းပုံများရွေးချယ်မှုအပေါ်အခြေခံ၍ အလုံးစုံဖွဲ့စည်းမှုပုံစံနှင့် နေ့၏အချိန်ကို ဆုံးဖြတ်ပါသည်။ ဗိသုကာပညာရှင်များနှင့် မြို့ပြစီမံကိန်းရေးဆွဲသူများမှ ဂိမ်းဆော့ဖ်ဝဲရေးဆွဲသူများနှင့် ရှုခင်းဒီဇိုင်နာများအထိ ကျယ်ပြန့်သော ကမ္ဘာများကို ဖန်တီးရန်အတွက် အဆိုပြုထားသည့်ကိရိယာသည် ကျွမ်းကျင်သူများစွာအတွက် အသုံးဝင်ပါသည်။
အရာဝတ္တုများကို Generative Adversarial Neural Network (GAN) ဖြင့် ပေါင်းစပ်ဖွဲ့စည်းထားပြီး အပိုင်းပိုင်းခွဲထားသော မြေပုံပေါ်တွင် အခြေခံ၍ လက်တွေ့ကျသောပုံများကို ဖန်တီးကာ သန်းပေါင်းများစွာသော ဓာတ်ပုံများကို ကြိုတင်လေ့ကျင့်ထားသည့် မော်ဒယ်ထံမှ အသေးစိတ်အချက်အလက်များကို ငှားရမ်းထားသည်။ ယခင်က တီထွင်ထားသော ရုပ်ပုံပေါင်းစပ်ဖွဲ့စည်းမှုစနစ်များနှင့်မတူဘဲ၊ အဆိုပြုထားသောနည်းလမ်းသည် စက်သင်ယူမှုအပေါ်အခြေခံ၍ လိုက်လျောညီထွေရှိသော spatial အသွင်ကူးပြောင်းမှုကို အသုံးပြုခြင်းအပေါ် အခြေခံပြီး အသွင်ပြောင်းခြင်းကို အခြေခံထားသည်။ အဓိပ္ပါယ်ဖွင့်ဆိုချက်များအစား အပိုင်းခွဲထားသောမြေပုံကို လုပ်ဆောင်ခြင်းဖြင့် တိကျသောကိုက်ညီမှုရလဒ်များရရှိပြီး စတိုင်လ်ကို ထိန်းချုပ်နိုင်မည်ဖြစ်သည်။
လက်တွေ့ဆန်မှုရရှိရန်၊ အာရုံကြောကွန်ရက်နှစ်ခုသည် တစ်ခုနှင့်တစ်ခု ပြိုင်ဆိုင်သည်- မီးစက်တစ်ခုနှင့် ခွဲခြားဆက်ဆံမှုတစ်ခု။ ဂျင်နရေတာသည် အစစ်အမှန်ဓာတ်ပုံများ၏ အစိတ်အပိုင်းများကို ရောနှောကာ ရုပ်ပုံများကို ထုတ်ပေးပြီး ခွဲခြားဆက်ဆံသူသည် အစစ်အမှန်ပုံများမှ ဖြစ်နိုင်ခြေရှိသော သွေဖည်မှုများကို ခွဲခြားသတ်မှတ်သည်။ ရလဒ်အနေဖြင့် ခွဲခြားဆက်ဆံသူသည် ၎င်းတို့ကို အစစ်အမှန်များနှင့် ခွဲခြားခြင်းမပြုမီအထိ ဂျင်နရေတာမှ ပိုမိုပိုမိုကောင်းမွန်သောနမူနာများကို ရေးဖွဲ့ခြင်းအပေါ် အခြေခံ၍ တုံ့ပြန်ချက်ဖွဲ့စည်းထားပါသည်။
source: opennet.ru