Il deep learning crea un terreno simile alla Terra studiando le immagini satellitari della NASA

I paesaggi nei videogiochi e nei mondi artificiali possono essere generati in due modi. Il primo è creare a mano il terreno e popolarlo con colori e trame appropriati come rocce, erba, alberi, neve e così via. Questo produce risultati di alta qualità ma è costoso a causa del lavoro umano coinvolto.

Il secondo metodo consiste nel generare algoritmicamente il paesaggio, un processo molto più rapido ed economico. È così che i giocatori nel gioco Minecraft entrano in un paesaggio completamente nuovo ogni volta che giocano.

Gli algoritmi alla base di questo processo sono ben sviluppati e i programmatori li hanno perfezionati nel corso degli anni per produrre climi, trame, variazioni di altezza e così via diversi. Ma i nuovi algoritmi di generazione del paesaggio richiedono tempo e denaro da scrivere. Quindi un modo per automatizzare la loro creazione sarebbe un progresso significativo.

Oggi Christopher Beckham e Christopher Pal del Montreal Institute of Learning Algorithms in Canada affermano di aver addestrato una macchina di deep learning per generare paesaggi realistici utilizzando le immagini satellitari della Terra come set di addestramento. In effetti, la macchina scrive il proprio algoritmo. Il lavoro promette di cambiare in modo significativo il modo in cui i paesaggi artificiali possono essere generati al volo.

Il sistema sfruttato da Beckham e Pal è chiamato rete contraddittoria generativa. È costituito da due macchine di deep learning che lavorano insieme per affrontare un problema, in questo caso generando un terreno realistico.

La prima macchina genera nuovo terreno mentre la seconda valuta i risultati e fornisce feedback. La prima macchina utilizza quindi questo feedback per produrre un altro insieme di paesaggi, che la seconda macchina valuta con feedback e così via. L'idea è che la seconda macchina impari a produrre paesaggi che corrispondono al feedback fornito dalla prima macchina.

Chiaramente, una parte importante di questo processo consiste nell'insegnare alla prima macchina come dovrebbe essere un paesaggio ideale. Questo tipo di attività è diventato semplice nell'apprendimento automatico quando è disponibile un ampio database di immagini da cui imparare, ad esempio nel riconoscimento facciale o nel riconoscimento di oggetti. Ma non è stato ancora fatto per la generazione del terreno in questo modo.

Quindi il primo obiettivo di Beckham e Pal era creare un database di immagini per l'allenamento.

Si scopre che proprio questo tipo di dati è disponibile grazie al programma Visible Earth della NASA, che ha creato una mappa dettagliata del nostro pianeta natale. Ciò include dati su altezza, forma e colore.

Le immagini della NASA sono enormi: 21.600 pixel per 10.800 pixel. Mostrano l'intero pianeta, con ogni pixel che rappresenta un chilometro quadrato sulla superficie. Beckham e Pal prendono una finestra casuale di 512x512 pixel e la fanno scorrere sulle immagini per creare un ampio database di campioni di immagini per l'addestramento. Rimuovono tutte le immagini che sono in gran parte nere (cioè che mostrano l'oceano puro) in modo che l'allenamento non sia troppo banale. Le trame della collezione possono corrispondere a vari biomi come giungla, deserto e artico, dicono.

Quindi usano questo set di dati per addestrare una macchina di apprendimento profondo per riconoscere terreni terrestri realistici di vario tipo. Successivamente hanno impostato un'altra macchina di deep learning per generare immagini casuali da 512x512 pixel. Invia queste mappe alla macchina addestrata, che le valuta e invia il suo feedback.

All'inizio, ovviamente, i paesaggi generati sono pessime rappresentazioni del terreno terrestre. Ma nel corso di molte iterazioni, la macchina impara come produrre paesaggi che ricevono buone valutazioni. E una volta fatto questo, può generare continuamente nuovi terreni simili alla Terra.

Ma le immagini non sono perfette. Possono contenere artefatti del processo di apprendimento che non sono conformi alle caratteristiche del mondo reale. Questi potrebbero essere prevenuti con configurazioni di apprendimento più profonde o sfocando le immagini, affermano i ricercatori.

C'è chiaramente più lavoro da fare, ma la coppia sembra felice di questo risultato. Abbiamo raggiunto un primo passo ragionevole verso la generazione procedurale di terreno basata su dati del mondo reale, dicono.

Questo è un lavoro interessante che ha una vasta gamma di altre applicazioni. Per cominciare, il database di formazione non deve essere basato sulla Terra. La NASA ha immagini dettagliate della luna, Marte, Titano e vari altri luoghi del sistema solare che potrebbero essere utilizzate per addestrare reti simili. Quindi giochi come Minecraft potrebbero facilmente assumere una distinta atmosfera lunare o marziana con poco input umano.

E il database di allenamento non deve nemmeno essere basato sul terreno. Si può immaginare che lo stesso schema venga applicato per sintetizzare mesh 3D che vengono poi strutturate (ad esempio facce), affermano Beckham e Pal.

È qualcosa che potrebbe interessare una vasta gamma di creatori di giochi e altri. Questo tipo di possibilità serve non solo a promuovere esperienze di intrattenimento più ricche, ma anche a fornire strumenti utili per aiutare i produttori di contenuti (ad es. artisti 3D) nel loro lavoro, affermano Beckham e Pal.

Rif: arxiv.org/abs/1707.03383 : Un passo verso la generazione procedurale del terreno con i GAN

nascondere