當前位置:
首頁 > 新聞 > 通過NASA的衛星圖像,深度學習創造出亦真亦幻的地球表面

通過NASA的衛星圖像,深度學習創造出亦真亦幻的地球表面

在將來,電子遊戲或許能生成以真實世界為藍本的遊戲背景。

目前電子遊戲開發者們主要使用兩種方法來生成遊戲中旖旎的風景和逼真的虛擬世界。第一種是手繪地形地貌,然後選用合適的顏色和材質,例如石頭、草地、樹木、雪地等等,覆蓋其上。這種方法大大提高了遊戲品質和場景的質量,但是較高的人力成本讓此方法並不適用於所有遊戲。另一種方法則是通過特定演算法自動生成遊戲中的地形和景觀,既省錢又省時。在遊戲「我的世界(Minecraft)」中,玩家們每次開啟遊戲都能看到全新的場景,就是通過這種方法實現的。

圖丨我的世界Minecraft

這些演算法經過了無數程序員許多年嘔心瀝血的打磨和改良,現在已經可以生成各種氣候和天氣,不同的材料和材質,還可以調整它們的高度和尺寸,等等。然而,創造新的「景觀生成演算法」需要消耗大量的時間和金錢,遊戲開發者們一直期待「自動化的景觀生成工具」的誕生。

如今他們的期望很可能變成現實,來自於加拿大蒙特利爾學習演算法研究所(Montreal Institute of Learning Algorithms) 的Christopher Beckham和Christopher Pal聲稱,他們用衛星拍攝的地球照片作為訓練集,訓練了一個可以自行生成演算法的深度學習機器,它編寫的演算法可以生成十分真實的地形和景觀。這項研究的可行性一旦被證實,將會極大地改變在遊戲過程中生成虛擬景觀的方式。

圖丨蒙特利爾學習演算法研究所

Beckham和Pal採用的是「生成式對抗網路」(Generative Adversarial Network)系統,其原理是兩個深度學習機器共同致力於解決同一個問題:如何生成真實的地形(景觀)。整個流程的原理就是,第二台機器不斷通過第一台機器提出的意見來學習如何生成(真實的)地形和景觀。

由此可見,整個學習過程中,最重要的任務就是讓第一台機器學會評判標準,即「理想中的地形和景觀是什麼樣子的」。諸如此類的任務在機器學習領域十分常見,而且變得越來越容易,前提是有海量的圖像數據可供機器學習,比如訓練人臉識別和物體識別。可是訓練地形和景觀演算法的編寫,在機器學習領域還是第一次有人嘗試。

因此,Beckham和Pal的第一個目標就是建立一個訓練用地形資料庫。資料庫的建立得益於美國國家航空航天局(NASA)的「可視地球」項目,該項目創建了一個十分詳盡的地球地圖,涵蓋信息包括地表地形的高度、形狀和顏色。

圖丨NASA 的「可視地球」項目

NASA的圖片解析度高達21600×10800像素,整個地球都由圖片組成,每一個像素代表1平方千米的地表(面積)。開發團隊隨機截取大量的512×512像素的小圖片,從中剔除大面積為黑色的圖片(多為海洋圖片)來防止無意義的訓練,最後用剩下的圖片作為訓練數據。Beckham和Pal表示:「在資料庫中的材質和材料代表了各式各樣的生物群落區,比如樹林、沙漠和北極地帶。」

研究人員使用這些數據去訓練深度學習機器,如何分辨不同的真實地球表面和地形。然後他們設置了另一個深度學習機器去隨機生成512×512像素的圖片,把這些圖片發給第一台機器,讓第一台機器評估圖片並提供反饋意見。

在訓練的最初階段,機器生成的景觀都慘不忍睹,無法代表真實的地形。但是經過大量的訓練循環後,機器逐漸掌握了如何生成「能獲得高評價」的地形和景觀的方法。在這之後,機器便可以不斷生成像真實地球一樣的地形圖片了。

圖丨機器生成的圖片

但是這些圖片還不夠完美,它們中可能含有來自於訓練過程中的、不符合現實世界特點的人造痕迹(失真)。研究人員表示,這些瑕疵可以通過調整深度學習的參數配置,或者模糊圖片的手段來避免。

儘管距離成功還有很長的路要走,Beckham和Pal對目前的結果還是感到十分欣喜:「我們的目標是發明基於真實數據的『地形過程化生成』(procedural generation)方法,我們已經踏出了非常堅實的一步。」

放眼各個領域,這項研究無疑都有著廣闊的應用前景。比如,訓練資料庫的資料可以拓展到地球以外的星球。NASA擁有很多太陽系星球的資料圖,月亮、火星和土衛六都是很好的應用對象,可以用來訓練相應的神經網路。這樣一來,在「我的世界」這樣的遊戲中便無需過多的人力成本,就可以加入和使用月球或者火星上的材質來打造獨一無二的地形和景觀。

訓練數據並不僅僅局限於地表數據。Beckham和Pal表示:「相似的方法可以運用在建立合成3D網格(synthesise 3D meshes)上,網格上面通常都會覆蓋材質,例如人的皮膚。」

Beckham和Pal認為:「這將是遊戲製作者及相關從業人員夢寐以求的工具。這些(演算法自動生成的)可能性不僅豐富了娛樂體驗,更重要的是它們給內容製作者們,例如3D藝術家,提供了非常有效的創作工具。」


喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 DeepTech深科技 的精彩文章:

MIT和哈佛推動顯微技術進步,醫生可從活體組織中獲取更多信息
人類首次在晶體中模擬了「宇宙大爆炸的引力效應」!
治理大氣,我們將要花費十五位數的代價!
馬斯克「地下超級高鐵」獲政府「口頭」批准,首線將在紐約開建

TAG:DeepTech深科技 |

您可能感興趣

GAN正在成為新的深度學習
AI 人工智慧的深度學習
深度學習在NLP的命名實體識別中的應用
PS學習快速改變顏色PS學習,PS教程,PS海報設計,PS摳圖教程
NLP、機器學習在CRM前沿探索和實踐
uSens推出手部骨骼追蹤AR SDK,基於計算機視覺和深度學習
谷歌AutoML將如何改寫商業界對深度學習使用的遊戲規則?
挑戰GPU地位,富士通深度學習加速卡DLU曝光
靈活構建複雜的RF場景——ADI ADALM-PLUTO SDR主動學習模塊
資源受限場景下的深度學習圖像分類:MSDNet多尺度密集網路
修圖再進化,NVIDIA 用深度學習為圖片自動「填空」
強烈推薦的學習APP,讓你的學習更上一層樓
吳忌寒:挺進AI晶元 在深度學習領域與谷歌比高下;閃電網路終將助力比特幣打敗VISA
實戰AI落地,進階深度學習
挖礦大潮、人工智慧和深度學習市場下的GPU「三國殺」!
DARPA正在開發終身學習機器
專業設計師送給正在學習PS的你,一份PS調色乾貨
Valve 使用深度學習識別 CSGO 的作弊者
EA的學習型AI在《戰地1》表現如何?
DeepMind強化學習進展:可執行多個任務的高度可擴展智能體——IMPALA