د NVIDIA شرکت د ماشین زده کړې سیسټم سرچینې کوډونه (GauGAN)، کوم چې تاسو ته اجازه درکوي حقیقي منظرې د ناڅاپه سکیچونو پراساس ترکیب کړئ، او همدارنګه هغه کسان چې د پروژې سره تړاو لري. . سیسټم وو د مارچ په میاشت کې د GTC 2019 کنفرانس کې، مګر کوډ یوازې پرون خپور شو. پرمختګونه د ملکیت جواز لاندې (Creative Commons Attribution-NonCommercial-ShareAlike 4.0)، یوازې د غیر تجارتي کارونې اجازه ورکوي. کوډ د چوکاټ په کارولو سره په Python کې لیکل شوی .
سکیچونه د یوې قطعې نقشې په بڼه جوړ شوي چې په صحنه کې د نږدې شیانو ځای پرځای کول ټاکي. د تولید شوي شیانو طبیعت د رنګ نښو په کارولو سره مشخص شوی. د مثال په توګه، نیلي ډک په اسمان، نیلي په اوبو، تیاره شنه په ونو، روښانه شنه په واښه، روښانه نسواري په ډبرو، خړ نسواري په غرونو، خړ نسواري په واوره، نسواري کرښه په سړک او نیلي بدلیږي. په سیند کې کرښه سربیره پردې ، د حوالې عکسونو انتخاب پراساس ، د ټولیز جوړښت سټایل او د ورځې وخت ټاکل کیږي. د مجازی نړۍ رامینځته کولو لپاره وړاندیز شوې وسیله د متخصصینو پراخه لړۍ لپاره ګټوره کیدی شي ، د معمارانو او ښاري پلان جوړونکو څخه د لوبې پراختیا کونکو او د منظرې ډیزاینرانو پورې.
شیان د تولیدي مخالف عصبي شبکې لخوا ترکیب شوي ()، کوم چې د سکیمیک قطع شوي نقشې پراساس ریښتیني عکسونه رامینځته کوي ، د څو ملیون عکسونو دمخه روزل شوي ماډل څخه توضیحات په پور اخلي. د مخکینیو پرمختللو عکسونو ترکیب سیسټمونو برعکس، وړاندیز شوی میتود د تطبیق وړ ځایی بدلون په کارولو سره د ماشین زده کړې پر بنسټ د بدلون په تعقیب دی. د سیمانټیک مارک اپ پرځای د قطع شوي نقشې پروسس کول تاسو ته اجازه درکوي دقیقې میچ پایلې ترلاسه کړئ او سټایل کنټرول کړئ.
د حقیقت د ترلاسه کولو لپاره، دوه عصبي شبکې یو له بل سره سیالي کوي: یو جنراتور او یو توپیر کوونکی. جنریټر د ریښتیني عکسونو د ترکیب عناصرو پراساس عکسونه رامینځته کوي ، او امتیاز کونکی د اصلي عکسونو احتمالي انحرافات پیژني. د پایلې په توګه، فیډبیک رامینځته کیږي، چې پر بنسټ یې جنراتور په زیاتیدونکي توګه د غوره نمونو په جوړولو پیل کوي تر هغه چې امتیاز ورکوونکی له اصلي څخه توپیر نه کوي.
سرچینه: opennet.ru