Muchos diseñadores para el mundo virtual encuentran difícil diseñar texturas o patrones complejos creíbles de manera eficiente a gran escala. De hecho, la llamada "síntesis de textura", el diseño de texturas precisas como ondas de agua en un río, paredes de concreto,o patrones de hojas, sigue siendo una tarea difícil para los artistas. Se podría recrear una gran cantidad de texturas no estacionarias en el "mundo real" en juegos o mundos virtuales, pero las técnicas existentes son tediosas y requieren mucho tiempo.
Para abordar este desafío, un equipo global de científicos informáticos ha desarrollado una técnica única basada en inteligencia artificial que entrena una red para aprender a expandir pequeñas texturas en otras más grandes. El método basado en datos de los investigadores aprovecha una técnica de IA llamada adversidad generativaredes GAN para entrenar computadoras para expandir las texturas de un parche de muestra en instancias más grandes que se parezcan mejor a la muestra original.
"Nuestro enfoque trata con éxito las texturas no estacionarias sin ninguna descripción semántica o de alto nivel de la estructura a gran escala", dice Yang Zhou, autor principal del trabajo y profesor asistente en la Universidad de Shenzhen y la Universidad de Ciencia y Tecnología de Huazhong"Puede hacer frente a texturas muy desafiantes que, según nuestro conocimiento, ningún otro método existente puede manejar. Los resultados son diseños realistas producidos en alta resolución, de manera eficiente y a una escala mucho mayor".
El objetivo básico de la síntesis de textura basada en ejemplos es generar una textura, generalmente de mayor tamaño que la entrada, que captura de cerca las características visuales de la entrada de la muestra, aunque no del todo idéntica, y mantiene una apariencia realistaLos ejemplos de texturas no estacionarias incluyen texturas con estructuras irregulares a gran escala, o aquellas que exhiben una variación espacial en ciertos atributos como el color, la orientación local y la escala local. En el documento, los investigadores probaron su método en ejemplos tan complejos comoplumas de pavo real y ondas del tronco de un árbol, que aparentemente son infinitas en sus patrones repetitivos.
Zhou y sus colaboradores, incluidos Zhen Zhu y Xiang Bai Universidad de Huazhong, Dani Lischinski Universidad Hebrea de Jerusalén, Daniel Cohen-Or Universidad de Shenzhen y Universidad de Tel Aviv, y Hui Huang Universidad de Shenzhen,presentan su trabajo en SIGGRAPH 2018, celebrado del 12 al 16 de agosto en Vancouver, Columbia Británica. Esta reunión anual muestra a los principales profesionales, académicos y mentes creativas del mundo a la vanguardia de los gráficos por computadora y las técnicas interactivas.
Su método implica entrenar una red generativa, llamada generador, para aprender a expandir es decir, duplicar la extensión espacial de un bloque de textura arbitrario recortado de un ejemplar, de modo que el resultado expandido sea visualmente similar a un bloque ejemplar que contienetamaño apropiado dos veces mayor. La similitud visual entre el bloque expandido automáticamente y el bloque que contiene se evalúa utilizando una red discriminadora discriminador. Como es típico de las GAN, el discriminador se entrena en paralelo al generador para distinguir entre grandesbloques del ejemplar y los producidos por el generador.
Zhou dice: "Sorprendentemente, descubrimos que al usar una estrategia de entrenamiento de confrontación tan autocontrolada y conceptualmente simple, la red entrenada funciona casi perfectamente en una amplia gama de texturas, incluidas las texturas tanto estacionarias como altamente no estacionarias".
La herramienta está diseñada para ayudar a los artistas de texturas en el diseño de videojuegos, la realidad virtual y la animación. Una vez que se lleva a cabo el entrenamiento de confrontación auto supervisado para cada muestra de textura, el marco se puede usar para generar automáticamente texturas extendidas, hasta el dobleel tamaño original de la muestra. En el futuro, los investigadores esperan que su sistema pueda realmente extraer información de alto nivel de texturas de manera no supervisada.
Además, en el trabajo futuro, el equipo tiene la intención de entrenar un modelo "universal" en un conjunto de datos de textura a gran escala, así como aumentar el control del usuario. Para los artistas de texturas, la síntesis controlada con interacción del usuario probablemente será aún más útil ya que los artistastienden a manipular las texturas para su propio diseño.
Fuente de la historia :
Materiales proporcionados por Asociación de Maquinaria de Computación . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :