Компания NVIDIA опубликовала исходные тексты системы машинного обучения SPADE (GauGAN), позволяющей синтезировать реалистичные пейзажи на основе грубых набросков, а также связанные с проектом нетренированные модели. Система была продемонстрирована в марте на конференции GTC 2019, но код был опубликован только вчера. Наработки открыты под свободной лицензией CC BY-NC-SA 4.0 (Creative Commons Attribution-NonCommercial-ShareAlike 4.0), допускающей использование только в некоммерческих целях. Код написан на языке Python с применением фреймворка PyTorch.
Наброски оформляются в виде сегментированной карты, определяющей размещение примерных объектов на сцене. Характер генерируемых объектов задаётся при помощи цветовых меток. Например, голубая заливка преобразуется в небо, синяя в воду, тёмно зелёная в деревья, светло зелёная в траву, светло коричневая в камни, тёмно коричневая в горы, серая в снег, коричневая линия преобразуется в дорогу, а синяя линия в реку. Дополнительно на основе выбора эталонных изображений определяется общий стиль композиции и время суток. Предлагаемый инструмент для создания виртуальных миров может оказаться полезным широкому кругу специалистов, от архитекторов и планировщиков городской среды до разработчиков игр и ландшафтных дизайнеров.
Объекты синтезируются генеративно-состязательной нейронной сетью (GAN), которая на основе схематичной сегментированной карты создаёт реалистичные изображения, заимствуя детали из модели, предварительно обученной на нескольких миллионах фотоснимков. В отличие от ранее развиваемых систем синтеза изображений предложенный метод основан на применении адаптивного пространственного преобразования с последующей трансформацией на основе машинного обучения. Обработка сегментированной карты вместо семантической разметки позволяет добиться точного соответствия результата и контролировать стиль.
යථාර්ථවාදය සාක්ෂාත් කර ගැනීම සඳහා, ස්නායුක ජාල දෙකක් එකිනෙකා සමඟ තරඟ කරයි: උත්පාදක යන්ත්රයක් සහ වෙනස්කම් කරන්නෙකු. උත්පාදක යන්ත්‍රය සැබෑ ඡායාරූපවල මූලද්‍රව්‍ය මිශ්‍ර කිරීම මත පදනම්ව රූප ජනනය කරන අතර වෙනස්කම් කරන්නා සැබෑ රූපවලින් විය හැකි අපගමනයන් හඳුනා ගනී. එහි ප්‍රතිඵලයක් වශයෙන්, ප්‍රතිපෝෂණ සෑදී ඇති අතර, වෙනස්කම් කරන්නා ඒවා සැබෑ ඒවාගෙන් වෙන්කර හඳුනා ගැනීම නවත්වන තෙක් උත්පාදක යන්ත්‍රය වැඩි වැඩියෙන් හොඳ සාම්පල රචනා කිරීමට පටන් ගනී.
මූලාශ්රය: opennet.ru