Удосконалення методу процедурного генерування віртуальних ландшафтів з використанням машинного навчання
Анотація
Розглянуто сучасні тенденції у моделюванні віртуальних світів, зокрема перехід від ручної роботи дизайнерів до процедурного генерування контенту, яке значно скорочує тривалість і вартість розроблення, проте є комплексним процесом, що потребує ретельного налаштування. Проаналізовано традиційні методи процедурного генерування зображень та виявлено проблеми їхнього застосування. Досліджено можливості використання технології машинного навчання для створення цифрових рельєфів місцевості, проаналізовано наявні генеративні моделі штучного інтелекту, а також розглянуто їхні переваги та недоліки. Удосконалено метод генерування цифрових моделей місцевості на підставі варіаційного автоенкодера. Застосовано декодер як інструмент для створення висотних карт низької роздільної здатності, що зберігають основні геологічні структури місцевості. На відміну від генеративно-змагальних мереж, які часто використовують для створення складних графічних об'єктів, запропонована архітектура моделі забезпечує більшу стабільність навчання та можливість модифікації латентного простору для гнучкого налаштування вихідного результату. Проведено постоброблення цифрової карти висот способом підвищення роздільної здатності та застосування градієнтних масок. На відміну від традиційних методів, що використовують маски фрактального шуму для додавання дрібних деталей, запропоновано використання градієнтів – значень похідної від функції нахилу в конкретній точці. Такий підхід дає змогу імітувати ефект ерозії, здійснюючи більший вплив на зони з великим нахилом і маючи значно менший ефект на горизонтальних ділянках. У запропонованій моделі процедурного генерування віртуальних ландшафтів метод виконує роль генератора скелету місцевості, тоді як фрактальні градієнтні маски додають дрібні деталі без ресурсозатратної симуляції складних фізичних процесів. Встановлено можливість інтеграції паралельних обчислень, що дає змогу виконувати процес генерування ландшафтів на графічних процесорах, на відміну від алгоритмів ерозії. Запропоноване рішення забезпечує ефективний компроміс між візуальною якістю згенерованих моделей місцевості та ефективністю процесу генерування.
Завантаження
Посилання
Frühstück, A., Alhashim, I., & Wonka, P. (2019). TileGAN: Synthesis of large-scale non-homogeneous textures. ACM Transactions on Graphics (TOG), 38(4), 58:1–58:11. https://doi.org/10.1145/3306346.3322993
Grenier, C., Guérin, E., Galin, E., & Sauvage, B. (2023). Real-time terrain enhancement with controlled procedural patterns. Computer Graphics Forum, 43(2), 1–13. https://doi.org/10.1111/cgf.14992
Guérin, E., Peytavie, A., Masnou, S., Digne, J., Sauvage, B., Gain, J., & Galin, E. (2022). Gradient terrain authoring. Computer Graphics Forum, 41(1), 1–12. https://doi.org/10.1111/cgf.14460
Hartley, M., Mellado, N., Fiorio, C., & Faraj, N. (2024). Flexible terrain erosion – A fluid simulation-independent approach compatible with multiple representations. Scientific Reports, 14(1), 1–17. https://doi.org/10.21203/rs.3.rs-4256563/v1
Jain, A., Sharma, A., & Rajan, K. S. (2023). Adaptive & multi-resolution procedural infinite terrain generation with diffusion models and Perlin noise. In: Thirteenth Indian Conference on Computer Vision, Graphics and Image Processing (ICVGIP 22), 1–9. https://doi.org/10.1145/3571600.3571657
Jain, A., Sharma, A., & Rajan, K. S. (2024). Learning based infinite terrain generation with level of detailing. In: 11th International Conference on 3D Vision (3DV 2024), Davos, Switzerland. URL: https://hal.archives-ouvertes.fr/hal-04474972
Merizzi, F. (2024). University of Bologna, Department of Informatics. arXiv Preprint arXiv:2403.08782. https://doi.org/10.48550/arXiv.2403.08782
Morozov, M. Y., Levus, Y. V., Moravskyi, R. O., & Pustelnyk, P. Ya. (2020). Landscape generation for spherical surfaces: Problem analysis and solution. Scientific Bulletin of UNFU, 30(1), 136–141. https://doi.org/10.36930/40300124
Naik, S., Jain, A., Sharma, A., & Rajan, K. S. (2022). Deep generative framework for interactive 3D terrain authoring and manipulation. arXiv Preprint arXiv:2201.02369. https://doi.org/10.48550/arXiv.2201.02369
Panagiotou, E., & Charou, E. (2020). Procedural 3D terrain generation using generative adversarial networks. In: 11th Hellenic Conference on Artificial Intelligence (SETN 2020), 1–9. https://doi.org/10.48550/arXiv.2010.06411
Rodriguez-Pardo, C., & Garces, E. (2023). SeamlessGAN: Self-supervised synthesis of tileable texture maps. IEEE Transactions on Visualization and Computer Graphics, 29(6), 2914–2925. https://doi.org/10.1109/TVCG.2022.3143615
Rose, T. J., & Bakaoukas, A. G. (2016). Algorithms and approaches for procedural terrain generation – A brief review of current techniques. IEEE 8th International Conference on Games and Virtual Worlds for Serious Applications (VS-GAMES), 1–2. https://doi.org/10.1109/VS-GAMES.2016.7590336
Shi, W., Li, Q., & Zhu, C. (2005). Estimating the propagation error of DEM from higher‐order interpolation algorithms. International Journal of Remote Sensing, 26(15), 3069–3084. https://doi.org/10.1080/01431160500057905
Wang, S., Ji, H., Li, P., Li, H., & Zhan, Y. (2020). Growth diffusion-limited aggregation for basin fractal river network evolution model. AIP Advances, 10(5), article ID 055119. https://doi.org/10.1063/5.0011624
Wei, R., Garcia, C., El-Sayed, A., Peterson, V., & Mahmood, A. (2020). Variations in variational autoencoders – A comparative evaluation. IEEE Access, 8, 153651–153678. https://doi.org/10.1109/ACCESS.2020.3018151
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
