NVIDIA открыла код системы машинного обучения, синтезирующей пейзажи по наброскам

Кoмпaния NVIDIA oпубликoвaлa исxoдныe тeксты систeмы мaшиннoгo oбучeния SPADE (GauGAN), пoзвoляющeй синтeзирoвaть рeaлистичныe пeйзaжи нa oснoвe грубых набросков, а равным образом связанные с проектом нетренированные модели. Дефинитив была продемонстрирована в марте на конференции GTC 2019, же код был опубликован только минувшее. Наработки открыты под свободной лицензией CC BY-NC-SA 4.0 (Creative Commons Attribution-NonCommercial-ShareAlike 4.0), допускающей исчерпание только в некоммерческих целях. Код написан получи языке Python с применением фреймворка PyTorch. Воля генерируемых объектов задаётся при помощи цветовых меток. Хоть (бы), голубая заливка преобразуется в небо, синяя в воду, мрачно зелёная в деревья, светло зелёная в траву, светлынь коричневая в камни, тёмно коричневая в много, серая в снег, коричневая линия преобразуется в с дороги, а синяя линия в реку. Дополнительно сверху основе выбора эталонных изображений определяется частый стиль композиции и время суток. Предлагаемый барабан для создания виртуальных миров может разыскаться полезным широкому кругу специалистов, ото архитекторов и планировщиков городской среды впредь до разработчиков игр и ландшафтных дизайнеров. Объекты синтезируются генеративно-состязательной нейронной сетью (GAN), которая возьми основе схематичной сегментированной карты создаёт реалистичные изображения, заимствуя детали изо модели, предварительно обученной на нескольких миллионах фотоснимков. В предпочтение от ранее развиваемых систем синтеза изображений представленный метод основан на применении адаптивного пространственного преобразования с последующей трансформацией бери основе машинного обучения. Обработка сегментированной карточная игра вместо семантической разметки позволяет выцарапать точного соответствия результата и контролировать дух. Генератор формирует изображения на основе смешивания элементов реальных фотографий, а различитель выявляет возможные отклонения от реальных изображений. В итоге формируется оборотная связь, на основе которой агрегат начинает компоновать всё более качественные образцы, вплоть до тех пор пока дискриминатор невыгодный перестанет отличать их от настоящих. Производное: http://www.opennet.ru/opennews/art.shtml?num=50507