ГЕНЕРАЦИЯ ПРОЦЕДУРЫ ОБУЧЕНИЯ ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ И КОМПЬЮТЕРНОЙ ГРАФИКЕ
Аннотация и ключевые слова
Аннотация (русский):
С момента создания компьютеров существовала давняя проблема хранения и создания данных для различных задач. Что касается компьютерной графики и видеоигр, то в активах существует постоянная потребность. Хотя в настоящее время проблема пространства не является одной из основных проблем разработчиков, необходимость в возможности автоматизации создания активов все еще актуальна. Графическая точность, требуемая современной аудиторией и приложениями, требует от художников и дизайнеров большой работы, которая стоит больших денег. Автоматическая генерация 3D-сцен имеет решающее значение в задачах обучения робототехнике с использованием искусственного интеллекта (ИИ), когда объем сгенерированных данных во время обучения не может быть просмотрен даже одним человеком из-за большого количества данных, необходимых для алгоритмов машинного обучения. Совершенно отдельная, но, тем не менее, необходимая задача для комплексного решения - это производство и расстановка мебели, рандомизация материалов и освещения. В этой статье мы предлагаем внутренний генератор для приложений компьютерной графики и обучения робототехнике. Предлагаемый фреймворк позволяет создавать и визуализировать интерьеры с мебелью с фотореалистичным качеством. Мы объединили существующие алгоритмы создания планов и расположения интерьеров, а затем добавили рандомизацию материалов и освещения. Наше решение содержит семантическую базу данных 3D-моделей и материалов, которая позволяет генератору получать реалистичные сцены с рандомизацией и попиксельной маской для обучения алгоритмов обнаружения и сегментации.

Ключевые слова:
процедурная генерация, машинное обучение, обучение искусственному интеллекту, обработка света, тесселяция, моделирование
Текст
Текст произведения (PDF): Читать Скачать
Список литературы

1. Merrell P., Schkufza E., Koltun V. Computer-generated residential building layouts //ACM SIGGRAPH Asia 2010 papers. – 2010. – С. 1-12.

2. Bengtsson D., Melin J. Constrained procedural floor plan generation for game environments. – 2016.

3. Cerny Green M., Khalifa A., Alsoughayer A., Surana D., Liapis A., Togelius J. Two-step Constructive Approaches for Dungeon Generation. – 2019.

4. Firaxis Games Sid Meier’s Civilization VI. - 2016.

5. Triumph Studios Age of Wonders III. - 2014.

6. Koenig R., Knecht K. Comparing two evolutionary algorithm based methods for layout generation: Dense packing versus subdivision. - 2014.

7. Zifeng Guo, Biao Li Evolutionary approach for spatial architecture layout design enhanced by an agent-based topology finding system. - 2017.

8. Martin J. Procedural House Generation: A method for dynamically generating floor plans. - 2016.

9. Fernando M. Automatic Real-Time Generation of Floor Plans Based on Squarified Treemaps Algorithm. - 2010.

10. L.-F. Yu, S.-K. Yeung, C.-K. Tang, D. Terzopoulos, T. F.Chan, and S. J. Osher. Make It Home: Automatic Optimization of Furniture Arrangement. In SIGGRAPH 2011, 2011.

11. Matthew Fisher, Daniel Ritchie, Manolis Savva, Thomas Funkhouser, and Pat Hanrahan. 2012. Example-based Synthesis of 3D Object Arrangements. In SIGGRAPH Asia 2012.

12. Paul Henderson and Vittorio Ferrari. 2017. A Generative Model of 3D Object Layouts in Apartments

13. Qiang Fu, Xiaowu Chen, Xiaotian Wang, Sijia Wen, Bin Zhou, and Hongbo Fu. 2017. Adaptive Synthesis of Indoor Scenes via Activity-associated Object Relation Graphs.

14. S. Song, F. Yu, A. Zeng, A. X. Chang, M. Savva, and T. Funkhouser. Semantic Scene Completion from a Single D. Image.

15. V. F. Paul Henderson, Kartic Subr. Automatic Generation of Constrained Furniture Layouts.

16. Qi, Siyuan and Zhu, Yixin and Huang, Siyuan and Jiang, Chenfanfu and Zhu, Song-Chun. Human-centric Indoor Scene Synthesis Using Stochastic Grammar

17. Kai Wang, Manolis Savva, Angel X. Chang, and Daniel [Разрыв обтекания текста]Ritchie. Deep Convolutional Priors for Indoor Scene Synthesis. In SIGGRAPH 2018

18. Daniel Ritchie, Kai Wang and Yu-an Lin. Fast and Flexible Indoor Scene Synthesis via Deep Convolutional Generative Models.

19. Pavel Kirsanov, Airat Gaskarov, Filipp Konokhov, Konstantin Sofiiuk, Anna Vorontsova, Igor Slinko, Dmitry Zhukov, Sergey Bykov, Olga Barinova, Anton Konushin. DISCOMAN: Dataset of Indoor SCenes for Odometry, Mapping And Navigation. arXiv:1909.12146. September 2019.

20. Frolov V., Sanzharov V., Galaktionov V. Open Source rendering system Hydra Renderer. https://github.com/Ray-Tracing-Systems/HydraAPI

21. S.V. Ershov, D.D. Zhdanov, A.G. Voloboy, V.A. Galaktionov. Two denoising algorithms for bi-directional Monte Carlo ray tracing // Mathematica Montisnigri, Vol. XLIII, 2018, p. 78-100. https://lppm3.ru/files/journal/XLIII/MathMontXLIII-Ershov.pdf

22. V.V. Sanzharov, V.F. Frolov. Level of Detail for Precomputed Procedural Textures // Programming and Computer Software, 2019, V. 45, Issue 4, pp. 187-195 DOI:10.1134/S0361768819040078

Войти или Создать
* Забыли пароль?