NVIDIA သည် ပုံကြမ်းများမှ ရှုခင်းများကို ပေါင်းစပ်ထားသော စက်သင်ယူမှုစနစ်အတွက် ကုဒ်ကိုဖွင့်သည်။

NVIDIA ကုမ္ပဏီ ထုတ်ဝေခဲ့သည် စက်သင်ယူမှုစနစ် အရင်းအမြစ်ကုဒ်များ ဓား (GauGAN) သည် ကြမ်းတမ်းသော ပုံကြမ်းများအပြင် ပရောဂျက်နှင့် ဆက်စပ်နေသော ကြမ်းပြင်များကို အခြေခံ၍ လက်တွေ့ဆန်သော ရှုခင်းများကို ပေါင်းစပ်နိုင်စေမည့် (GauGAN) လေ့ကျင့်ထားသော မော်ဒယ်များ. စနစ်ကြီး သရုပ်ပြခဲ့သည်။ မတ်လတွင် GTC 2019 ကွန်ဖရင့်တွင်၊ သို့သော်ကုဒ်ကိုမနေ့ကသာထုတ်ဝေခဲ့သည်။ တိုးတက်မှုများ ဖွင့်သည် တစ်ဦးတည်းပိုင်လိုင်စင်အောက်တွင် CC ကို BY-NC-SA 4.0 (Creative Commons Attribution-NonCommercial-ShareAlike 4.0)၊ စီးပွားဖြစ်မဟုတ်သော အသုံးပြုမှုကိုသာ ခွင့်ပြုသည်။ ကုဒ်ကို ဘောင်ဘောင်ကို အသုံးပြု၍ Python တွင် ရေးသားထားသည်။ Pythorch.

ပုံကြမ်းများကို အခင်းဖြစ်ရာပေါ်ရှိ အနီးစပ်ဆုံးအရာဝတ္ထုများ နေရာချထားမှုကို ဆုံးဖြတ်ပေးသည့် အပိုင်းခွဲမြေပုံပုံစံဖြင့် ရေးဆွဲထားသည်။ ထုတ်လုပ်ထားသော အရာဝတ္ထုများ၏ သဘောသဘာဝကို အရောင်အမှတ်အသားများဖြင့် သတ်မှတ်ထားသည်။ ဥပမာအားဖြင့်၊ အပြာရောင်ဖြည့်စွက်စာသည် ကောင်းကင်သို့၊ အပြာရောင်သို့ပြောင်းသွားသည်၊ စိမ်းမှောင်သောသစ်ပင်များအဖြစ်သို့၊ အစိမ်းဖျော့ဖျော့၊ မြက်ခင်းထဲသို့ အစိမ်းဖျော့ဖျော့၊ အညိုဖျော့ဖျော့ကို ကျောက်ဆောင်အဖြစ်သို့၊ အညိုရောင်တောင်များအဖြစ်သို့ ပြောင်းလဲသည်၊ မီးခိုးရောင်မှ နှင်းအဖြစ်သို့ ပြောင်းလဲသည်၊ အညိုမျဉ်းသည် လမ်းအဖြစ်သို့ ပြောင်းလဲသွားပြီး အပြာရောင်၊ မြစ်ထဲသို့တန်းစီ ထို့အပြင်၊ ရည်ညွှန်းပုံများရွေးချယ်မှုအပေါ်အခြေခံ၍ အလုံးစုံဖွဲ့စည်းမှုပုံစံနှင့် နေ့၏အချိန်တို့ကို ဆုံးဖြတ်ပါသည်။ ဗိသုကာပညာရှင်များနှင့် မြို့ပြစီမံကိန်းရေးဆွဲသူများမှ ဂိမ်းဆော့ဖ်ဝဲရေးဆွဲသူများနှင့် ရှုခင်းဒီဇိုင်နာများအထိ ကျယ်ပြန့်သော ကမ္ဘာများကို ဖန်တီးရန်အတွက် အဆိုပြုထားသည့်ကိရိယာသည် ကျွမ်းကျင်သူများစွာအတွက် အသုံးဝင်ပါသည်။

အရာဝတ္ထုများကို generative adversarial neural network (GAN) သည် ပုံသဏ္ဍာန် အပိုင်းပိုင်းခွဲထားသော မြေပုံကို အခြေခံ၍ လက်တွေ့ကျသော ပုံရိပ်များကို ဖန်တီးပေးကာ ပုံပေါင်း သန်းပေါင်းများစွာအတွက် ကြိုတင်လေ့ကျင့်ထားသော မော်ဒယ်ထံမှ အသေးစိတ်အချက်အလက်များကို ငှားရမ်းပါသည်။ 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