Głębokie uczenie tworzy teren podobny do Ziemi, badając obrazy satelitarne NASA

Krajobrazy w grach wideo i sztucznych światach można generować na dwa sposoby. Pierwszym z nich jest ręczne wykonanie terenu i wypełnienie go odpowiednimi kolorami i teksturami, takimi jak skały, trawa, drzewa, śnieg i tak dalej. Daje to wysokiej jakości wyniki, ale jest kosztowne ze względu na zaangażowaną pracę ludzką.

Drugą metodą jest algorytmiczne generowanie krajobrazu, co jest procesem znacznie szybszym i tańszym. W ten sposób gracze w grze Minecraft za każdym razem wkraczają w zupełnie nowy krajobraz.

Algorytmy stojące za tym procesem są dobrze opracowane, a programiści przez lata dopracowywali je, aby uzyskać różne klimaty, tekstury, zmiany wysokości i tak dalej. Ale nowe algorytmy generujące krajobraz są same w sobie czasochłonne i drogie w pisaniu. Tak więc sposób na zautomatyzowanie ich tworzenia byłby znaczącym postępem.

Dzisiaj Christopher Beckham i Christopher Pal z Montreal Institute of Learning Algorithms w Kanadzie twierdzą, że wyszkolili maszynę do głębokiego uczenia się do generowania realistycznych krajobrazów przy użyciu zdjęć satelitarnych Ziemi jako zestawu szkoleniowego. W efekcie maszyna pisze własny algorytm. Prace mają przyczynić się do znacznej zmiany sposobu generowania sztucznych krajobrazów na bieżąco.

System, który wykorzystują Beckham i Pal, nazywa się generatywną siecią adwersarzy. Składa się z dwóch maszyn do głębokiego uczenia się, które współpracują ze sobą, aby rozwiązać problem, w tym przypadku generując realistyczny teren.

Pierwsza maszyna generuje nowy teren, a druga ocenia wyniki i przekazuje informację zwrotną. Pierwsza maszyna wykorzystuje te informacje zwrotne do stworzenia kolejnego zestawu krajobrazów, które druga maszyna ocenia na podstawie informacji zwrotnej i tak dalej. Pomysł polega na tym, że druga maszyna uczy się tworzyć krajobrazy, które odpowiadają informacjom zwrotnym przekazywanym przez pierwszą maszynę.

Oczywiście ważną częścią tego procesu jest nauczenie pierwszej maszyny, jak powinien wyglądać idealny krajobraz. Ten rodzaj zadania stał się prosty w uczeniu maszynowym, gdy istnieje duża baza danych obrazów, z których można się uczyć — na przykład w rozpoznawaniu twarzy lub rozpoznawaniu obiektów. Ale nie zostało to jeszcze zrobione dla generowania terenu w ten sposób.

Tak więc pierwszym celem Beckhama i Pal było stworzenie bazy danych obrazów do treningu.

Okazuje się, że właśnie takie dane są dostępne dzięki programowi NASA Visible Earth, który stworzył szczegółową mapę naszej planety. Obejmuje to dane dotyczące wzrostu, kształtu i koloru.

Obrazy NASA są ogromne: 21600 pikseli na 10800 pikseli. Pokazują całą planetę, a każdy piksel reprezentuje kilometr kwadratowy na powierzchni. Beckham i Pal biorą losowe okno o wymiarach 512 x 512 pikseli i przesuwają je po obrazach, aby utworzyć dużą bazę danych próbek obrazów do treningu. Usuwają wszystkie obrazy, które są w większości czarne (tj. pokazują czysty ocean), aby trening nie był zbyt trywialny. Mówią, że tekstury w kolekcji mogą odpowiadać różnym biomom, takim jak dżungla, pustynia i arktyka.

Następnie wykorzystują ten zestaw danych do trenowania maszyny do głębokiego uczenia się, aby rozpoznawać realistyczne tereny Ziemi różnych typów. Następnie zainstalowali kolejną maszynę do głębokiego uczenia się, aby losowo generować obrazy o wymiarach 512 x 512 pikseli. Wysyła te mapy do przeszkolonej maszyny, która je ocenia i wysyła swoją informację zwrotną.

Na początku generowane krajobrazy są oczywiście kiepskim odwzorowaniem terenu Ziemi. Jednak przez wiele iteracji maszyna uczy się, jak tworzyć krajobrazy, które otrzymują dobre oceny. A kiedy już to zrobi, może stale generować nowe tereny podobne do Ziemi.

Ale obrazy nie są idealne. Mogą zawierać artefakty z procesu uczenia się, które nie są zgodne z funkcjami świata rzeczywistego. Naukowcy twierdzą, że można temu zapobiec dzięki głębszym konfiguracjom uczenia się lub rozmyciu obrazów.

Jest wyraźnie więcej do zrobienia, ale para wydaje się być zadowolona z tego wyniku. Mówią, że osiągnęliśmy rozsądny pierwszy krok w kierunku proceduralnego generowania terenu w oparciu o dane ze świata rzeczywistego.

To ciekawa praca, która ma szeroki wachlarz innych zastosowań. Po pierwsze, treningowa baza danych nie musi być oparta na Ziemi. NASA ma szczegółowe obrazy Księżyca, Marsa, Tytana i różnych innych miejsc w Układzie Słonecznym, które można wykorzystać do trenowania podobnych sieci. Tak więc gry takie jak Minecraft mogą z łatwością przybrać wyraźny charakter księżycowy lub marsjański przy niewielkim wkładzie ludzkim.

Baza danych treningowych nie musi nawet opierać się na terenie. Można sobie wyobrazić, że ten sam schemat stosuje się do syntezy siatek 3D, które następnie są teksturowane (np. twarze), mówią Beckham i Pal.

To coś, co może zainteresować szerokie grono twórców gier i innych. Tego rodzaju możliwości służą nie tylko promowaniu bogatszych doświadczeń rozrywkowych, ale także dostarczają użytecznych narzędzi pomagających producentom treści (np. artystom 3D) w ich pracy, mówią Beckham i Pal.

Nr ref.: arxiv.org/abs/1707.03383 : Krok w kierunku proceduralnego generowania terenu za pomocą GAN

ukryć