Landskaber i videospil og kunstige verdener kan genereres på to måder. Den første er, at håndværksvirksomheden terræn og udfylde den med de rette farver og teksturer såsom sten, græs, træer, sne og så videre. Dette producerer resultater af høj kvalitet, men er dyre på grund af den menneskelige arbejdskraft, der er involveret.
Den anden metode er at generere landskab med algoritmer, en proces, som er meget hurtigere og billigere. Dette er, hvordan spillerne i spillet Minecraft indtaste et helt nyt landskab, hver gang de spiller.
De algoritmer, der ligger bag denne proces er godt udviklet, og programmører har finjusteret dem i år at producere forskellige klimaer, teksturer, højde variationer og så videre. Men nye landskab-generering af algoritmer, der i sig selv er tidskrævende og dyrt at skrive. Så en måde at automatisere deres skabelse ville være et stort fremskridt.
I dag Christopher Beckham og Christopher Pal i Montreal Institute of Learning Algoritmer i Canada, siger, at de har uddannet en dyb-læring maskine til at generere realistiske landskaber med satellitbilleder af Jorden som en uddannelse. I realiteten maskinen skriver sin egen algoritme. Arbejdet løfter til markant at ændre den måde, kunstige landskaber, der kan genereres på fly.
Det system, som Beckham og Pal udnytte kaldes en generativ kontradiktorisk netværk. Det består af to dybe-læring maskiner, der arbejder sammen om at løse et problem, i dette tilfælde at generere realistisk terræn.
Den første maskine genererer nye terræn, mens den anden vurderer resultaterne og giver feedback. Den første maskine, så bruger denne feedback til at producere et andet sæt af landskaber, som den anden maskine evalueres med feedback, og så videre. Ideen er, at den anden maskine lærer at producere landskaber, der matcher den feedback, der gives af den første maskine.
Det er klart, at en vigtig del af denne proces er undervisning den første maskine, hvad et ideelt landskab skal se ud. Denne type af opgave er blevet ligetil i machine learning, når der er en stor database af billeder til at lære fra—for eksempel i ansigtsgenkendelse eller objekt anerkendelse. Men det har endnu ikke været gjort til terræn generation på denne måde.
Så Beckham og Pal ‘ s første mål var at skabe en database af billeder til uddannelse.
Det viser sig, at netop denne form for data er tilgængelig tak til NASA ‘ s Synlige Earth-programmet, som har skabt et detaljeret kort over vores hjem planet. Dette omfatter data om højde, form og farve.
NASA ‘ s billeder er enorme: 21,600 pixels med 10,800 pixels. De viser, at hele planeten, med hver pixel repræsenterer et kvadrat kilometer på overfladen. Beckham og Pal tage en tilfældig 512×512 pixels vindue, og skub det hen billeder til at skabe store database af billede prøver for uddannelse. De fjerne alle billeder, der er stort set sort (dvs, der viser, ren ocean), så uddannelse er ikke alt for trivielle. “Teksturer i samlingen kan svare til forskellige biomer, såsom jungle, ørken, og arktis”, siger de.
De derefter bruge disse data til at træne en dyb-læring maskinen til at genkende realistisk Jorden terræn i forskellige former. Næste de har oprettet en anden dyb-læring maskine til at generere 512×512 pixels billeder tilfældigt. Det sender disse kort til den uddannede maskine, der evaluerer dem og sender sin feedback.
Først, selvfølgelig, den genererede landskaber er dårlige repræsentationer af Earth-terræn. Men over mange iterationer, maskinen lærer at producere landskaber, der får gode evalueringer. Og når den har gjort dette, kan det generere en ny Jord-lignende terræn hele tiden.
Men billederne er ikke perfekt. De kan indeholde artefakter fra den læringsproces, der ikke er i overensstemmelse med den virkelige verden byder på. Disse kunne være undgået med en dybere læring konfigurationer eller ved at sløre billederne, siger forskere.
Der er klart mere arbejde, der skal gøres, men parret synes at være tilfredse med dette resultat. “Vi har nået et fornuftigt første skridt i retning af proceduremæssige generation af terræn, der er baseret på virkelige data,” siger de.
Det er interessant arbejde, der har en bred vifte af andre programmer. Til en start, uddannelse databasen behøver ikke at være Jord-baseret. NASA har detaljerede billeder af månen, Mars, Titan, og diverse andre steder i solsystemet, der kan bruges til at træne lignende netværk. Så spil som Minecraft let kunne tage på en særskilt månens eller Mars føler med lidt menneskelig input.
Og uddannelse databasen behøver ikke engang være terræn baseret. “Man kan forestille sig den samme ordning, der anvendes til at syntetisere 3D masker, som er så struktureret (fx ansigter),” siger Beckham og Pal.
Det er noget, der kunne være af interesse for en bred vifte af spil, beslutningstagere og andre. “Disse typer af muligheder, der tjener til at fremme ikke kun rigere oplevelser, underholdning, men også give nyttige værktøjer til at støtte indhold producenter (fx 3D-kunstnere i deres arbejde,” siger Beckham og Pal.
Ref: arxiv.org/abs/1707.03383 : Et Skridt i Retning af Proceduremæssige Terræn Generation Med GANs