網站地圖 原創論文網,覆蓋經濟,法律,醫學,建筑,藝術等800余專業,提供60萬篇論文資料免費參考
主要服務:論文發表、論文修改服務,覆蓋專業有:經濟、法律、體育、建筑、土木、管理、英語、藝術、計算機、生物、通訊、社會、文學、農業、企業

基于機器學習策略的地形合成探究

來源:原創論文網 添加時間:2019-04-18
  摘 要
  
  地形合成技術廣泛應用于影視創作、游戲開發及軍事仿真等領域,其研究具有一定的實際應用價值。傳統的地形合成方法具有較低的可控性,例如,過程化地形合成方法及物理侵蝕合成方法主要滿足真實感需求,利用這些策略難以達到與真實地形具有一致性的真實感效果。同時,現有傳統方法也很少考慮用戶的個性化定制需求。為了克服這些地形合成方法中存在的問題,本文探索了基于機器學習策略的地形合成技術,采用數字高程模型(Digital Elevation Model,DEM)作為合成地形的樣例,研究在用戶手繪草圖控制下的真實感地形合成關鍵技術。
  
  論文首先研究了基于顯著特征的地形合成方法,從 DEM 樣例地形中,定義了局部統計熵,提取了地形的顯著特征,并構建數據集,建立徑向基函數(RadialBasis Function,RBF)神經網絡模型。進一步在地形合成中,利用用戶草圖進行控制,合成具有用戶定制的、與真實地形具有一致性顯著特征的結果。為用戶個性化定制的地形合成提出了一種有效策略,同時使得合成結果可以保持樣例地形的顯著特征。
  
  其次,提出了一種基于深度學習的多尺度細節融合地形合成策略,建立了由顯著特征子網絡及多尺度細節保持子網絡組成的地形合成網絡。利用預先提取的顯著特征作為標簽數據,對顯著特征子網絡進行預訓練,進一步結合多尺度細節子網絡,實現具有細節特征的地形合成結果。研究中,定義了多尺度的損失函數,并利用用戶草圖進行顯著特征分布的控制,以確保所構建的深度學習網絡的性能,使得合成地形能夠滿足真實感細節的實際需求,同時滿足用戶定制的需要。

基于機器學習策略的地形合成探究
  
  此外,探索了基于條件變分自動編碼的多特征地形合成方法。采用條件變分自編碼器(Conditional Variational Auto-Encoder,CVAE)與生成式對抗網絡(Generative Adversarial Networks,GAN)相結合的方法,構建多特征約束的條件變分自動編碼學習模型。在 CVAE 中,利用山脊線、河流網以及幾何特征點作為條件進行約束,以確保在定制地形合成中,能滿足多地貌特征約束的用戶要求,并且可以獲取與樣例地形一致性特征的結果。
  
  總之,本文通過探索基于學習機制的地形合成關鍵技術,對用戶手繪草圖控制的地形合成問題提出了新的解決方案,為個性化地形定制問題的研究提供了一定的借鑒思路,并為應用帶來一定的實際價值。
  
  關鍵詞:    地形合成,用戶草圖,機器學習,顯著特征,多尺度,條件變分自動編碼。
  
  ABSTRACT
  
  Technologyofterrainsynthesisiswidelyusedinfilmandtelevisioncreation,game development and military simulation, and its research has certain practical value. The traditional terrain synthesis methods has low controllability. For example, procedural methods and physical erosion based methods mainly aim to satisfy the demand of real-istic, but they fail to achieve the realistic effect consistent with the real terrain. Mean-while, these methods rarely consider the demand of user customization. To overcome thecurrentdefectsandbottlenecksoftraditionalmethods, thispaperexplorestheterrain synthesis technology based on machine learning strategy, and uses Digital Elevation Model (DEM) as a sample of synthetic terrain to study the key technology of realistic terrain synthesis under the control of user hand sketches.
  
  Firstly,thisdissertationstudystheterrainsynthesisbasedonsalientfeatures. Based on the DEM examples, we extarct the salient features by the defined local statistical en-tropy to build the dataset, and the Radial Basis Function (RBF) neural network is also constructed. After that, user sketches are used to control and synthesize the results with specific user-customized features, also consistent with real terrain. In this section, we propose an effective strategy for user-customized terrain synthesis, and the synthetic results can maintain the salient features of the sample terrain.
  
  Secondly, amulti-scaledetailfusionterrainsynthesisstrategybasedondeeplearn-ingisproposed, whichiscomposedofsalientfeaturesub-networkandmulti-scaledetail retention sub-network. Using the pre-extracted salient features as tag data, the salient feature sub-network is pre-trained, and the multi-scale detail sub-network is further combined to realize the terrain synthesis result with detailed features. The research defines a multi-scale loss function. User sketch is used to control the saliency feature distribution to ensure network’s performance, so that the synthetic terrain can meet de-mand of realistic while satisfying the demand of user customization.
  
  Inaddition,thisdissertationexploresamulti-featureterrainsynthesisstrategybased on conditional variational auto-encoder. Generative Adversarial Network(GAN) and the conditional variational self-encoder are combining to construct a conditional vari-ational autoencoder and learning model with multi-feature constraints. To ensure that the synthetic terrain can meet requirements of user customization, the conditional vari-ational self-encoder is constrained by ridgelines, river networks, and geometric feature points of the sample terrain, which can get the results with the consistent features with the sample terrain.
  
  Conclusively, this dissertation proposes a new solution to the terrain synthesis problem of user hand sketch control by exploring the key technology of terrain syn-thesis based on learning mechanism, which provides a reference for the research of personalized terrain customization problem and brings it to the application with certain practical value.
  
  Keywords:   Terrainsynthesis,Usersketches,Machinelearning,Salientfeatures,Multi-scale, Conditional Variational Auto-Encoder。
  
  第一章 緒論
 
  
  1.1、研究背景及意義。

  
  地形作為三維虛擬場景中的主要視覺元素,在實際生活中具有廣泛的應用價值。在影視創作中,通過地形合成技術可以制作出無法實拍的三維地形,既能滿足一定的創作需求又能達到真實效果,從而提高影視作品的完成度與用戶的視覺體驗。在軍事仿真中,合成戰場的地形越真實,模擬訓練的質量就越高。除此以外,在大型游戲開發、園區景觀規劃等方面,地形合成技術也都得到了廣泛的應用 [1]。
  
  隨著人們對地形場景的定制需求越來越高,地形合成研究的主要問題集中到在保證合成結果具有一定真實感的情況下,提高用戶對地形定制的可控性。傳統的地形合成方法具有較低的可控性,需要用戶具備一定的專業建模知識。此外,宏觀上地貌風格類似的地形場景,在局部地形要素的分布上呈現出的不規則性與多樣性,也進一步加大了合成技術的研究難度。這些因素在一定程度上限制了地形合成技術從人為編輯到自動化合成的發展。
  
  傳統的地形合成方法從滿足真實感角度出發,卻難以達到與真實地形具有一致性的地貌外觀。同時,傳統方法也很少考慮用戶的個性化定制需求,無法根據用戶的意圖合成相應地貌風格的地形場景。因此,目前的地形合成問題研究中,在提高用戶定制需求的同時,保證合成地形與樣例地形具有一致的真實感細節逐漸成為了當前領域內的研究熱點,具有一定的研究價值。
  
  1.2、地形合成技術的國內外研究現狀。
  
  按照地形合成技術的發展順序,目前的合成技術可以分為四類 [2]:過程化地形合成方法、基于物理侵蝕的合成方法、基于草圖的合成方法以及基于機器學習的合成方法。過程化地形合成方法主要根據分形幾何理論,按照固定層次的細節模型,不斷迭代得到大范圍地形場景。為了解決過程化合成中地形細節丟失等問題,人們提出了基于物理侵蝕的合成方法。該方法通過模擬一些自然侵蝕現象,增強了合成地形的真實感細節。在進一步的研究中,為了使地形合成過程具有更高的可控性,人們研究了基于草圖的交互式建模方法,根據用戶的定制需求合成特定的場景。然而隨著用戶可控性的提高,容易導致在合成結果中出現地貌不合理的現象。近年來,研究人員利用機器學習方法對樣例地形數據構建學習模型,通過用戶草圖的控制,確保了合成結果在地貌分布上具有一定的合理性。本節圍繞這四類地形合成方法,針對國內外研究狀況進行闡述。
  
  過程化地形合成方法 [3] 最早利用分形幾何 [4] 的細節不限和統計自相關的典型特性,通過將簡單的規則不斷迭代,從而生成復雜地形。該方法通過過程化函數控制整個合成過程,根據分形規則不停迭代,得到大尺度的地形場景。在此基礎上,Fournier 等人提出了一種自適應細分方法用來合成自相似且未被侵蝕過的地形 [5]。在進一步的研究中,Perlin 等人提出了基于 Perlin 噪聲的過程化地形建模方法 [6]。而 Prusinkiewicz 等人通過建立基于分形理論的 L-系統 [7] 構造地形中的河流網絡,繼而對河流網絡進行插值得到整個場景 [8]。總體而言,過程化地形合成方法強調規律性的迭代過程,無需人為干預,速度較快,但用戶無法控制合成結果,生成的地形在整體上過于生硬,真實感較低。
  
  為了解決過程化合成方法中真實感較差這一缺陷,人們提出了基于物理侵蝕的合成方法 [2]。此類方法通過對已有地形的侵蝕提高真實感細節。Kelley 等人 [9] 研究了河網的侵蝕規律,建立河網流域,進而對該流域進行高度插值來合成整個場景。Kri?tof 等人把侵蝕作用與光滑粒子流體力學相結合 [10],而 Wojtan等人則引入了形態學中的腐蝕算法 [11]。在此基礎上,Nagashima 等人通過融合多種基礎侵蝕模型進行地形建模 [12]。采用物理侵蝕的方法合成的地形具有較強的真實感細節,但合成過程仍然難以控制,且計算效率較低。隨著圖形處理器(Graphics Processing Unit,GPU)的發展,此類方法一般利用 GPU 提升計算效率[13]。
  
  在進一步研究中,為了滿足用戶的定制需求,人們開始研究基于用戶手繪草圖的交互式地形合成方法。在現有的研究工作中,比較有代表性的方法為 Zhou等人提出的一種基于紋理拼接的地形合成方法 [14],該方法將 DEM 數據中預先提取地形紋理塊,按照用戶的定制需求拼接到合成場景中。受該方法的啟發,Gain 等人通過對用戶繪制的山脈輪廓線和邊界線進行變形,從而生成具有相應高程的地形場景 [15]。而 Hnaidi 等人設計了一種將基于向量的模型算法直接作用到河流軌跡的方法 [16],根據給定的用于表示地貌特征的模板合成地形,采用多柵型擴散方程將高程和梯度約束匹配到對應的控制曲線中。Tasse 等人在文獻[15] 的基礎上,提出了基于第一人稱視角的側影草圖地形合成方法 [17]。為了加快合成效率,?t’ava 等人利用 GPU,對提出的草圖和物理侵蝕的混合建模方法進行了加速 [18]。但是基于草圖的合成方法需要從樣例地形中預先提取地形特征,合成結果受限于樣例地形的地貌特征,容易導致一些地貌不正確的合成結果。
  
  近年來,隨著機器學習技術的發展,人們嘗試利用機器學習方法研究地形合成問題。尹華飛等人利用神經網絡學習地形數據之間的隱式特征,使用用戶草圖來控制地形的合成,使得合成結果具有一定真實感 [19]。Guérin 等人用字典學習中的原子來表達局部地形特征,合成階段通過將這些原子進行線性組合而獲得不同地貌的地形 [20]。文獻 [21] 則通過使用卷積神經網絡,預測輸入草圖中山脈輪廓線的深度信息,對合成結果中的山脈位置進行了合理的約束。此外,Guérin等人首次將深度學習引入到地形合成領域,通過有監督的學習,設計了根據用戶草圖自動化合成地形深度學習框架,但合成的效果有待進一步提升 [22]。
  
  總之,傳統的合成方法較難在滿足真實感與提高用戶定制需求之間達到一個有效的平衡。而機器學習方法可以學習真實樣例地形中的內在特征,確保合成結果具有與樣例地形一致的真實感,同時由于機器學習中訓練方法的可監督特性,能夠滿足用戶的定制需求。因此基于機器學習的地形合成方法具有更大的研究空間。
  
  【由于本篇文章為碩士論文,如需全文請點擊底部下載全文鏈接】
 
  
  1.3 論文的主要研究內容
  
  1.4 論文的結構安排
  
  第二章 相關技術基礎
  
  2.1 地形合成常用方法

  2.1.1 過程化地形合成方法
  2.1.2 基于物理侵蝕的地形合成方法
  2.1.3 基于草圖的地形合成方法
  2.1.4 基于機器學習的地形合成方法
  
  2.2 機器學習技術基礎
  2.2.1 機器學習基礎知識
  2.2.2 機器學習常用模型
  2.2.3 深度學習常用模型及其基礎介紹
  
  2.3 本章小結
  
  第三章 基于顯著特征的地形合成策略
  

  3.1 現有研究方法及存在的問題
  3.2 合成策略的主要思想
  3.3 顯著特征提取策略
  
  3.4 基于 RBF 神經網絡的地形合成算法
  3.4.1 RBF 網絡構建方法
  3.4.2 網絡訓練方法
  
  3.5 合成策略的詳細設計方案
  
  3.6 實驗結果及性能分析
  3.6.1 顯著特征提取結果
  3.6.2 地形合成實驗結果
  3.6.3 實驗結果對比
  
  3.7 本章小結
  
  第四章 多尺度細節融合的深度地形合成算法
  

  4.1 現有相關工作及存在的問題
  4.2 多尺度細節融合算法的框架
  
  4.3 網絡設計方案
  4.3.1 網絡結構設計
  4.3.2 損失函數設計
  4.3.3 數據集的構建
  
  4.4 多尺度細節融合地形合成算法的步驟
  4.5 實驗結果及性能分析
  4.5.1 地形合成實驗結果
  4.5.2 對比結果與分析
  
  4.6 本章小結
  
  第五章 基于條件變分自動編碼的地形合成關鍵技術
  

  5.1 現有方法存在問題及分析
  5.2 基于條件變分自動編碼的合成算法主要思想
  
  5.3 網絡結構詳細設計
  5.3.1 網絡拓撲結構
  5.3.2 損失函數
  5.3.3 多特征地形圖像數據集的構建
  
  5.4 基于條件變分自編碼器的地形合成算法
  5.5 實驗結果及性能分析
  5.5.1 地形合成實驗結果
  5.5.2 實驗結果分析
  
  5.6 本章小結

  第六章 總結

  本文將機器學習及深度學習方法引入地形合成技術的研究中,分別提出了基于顯著特征的地形合成方法、基于多尺度細節融合的深度地形合成方法技術條件變分自動編碼的深度地形合成方法。從合成方法的三個角度對地形合成進行了深入研究,這三種策略的技術可以作為相互獨立的應用存在,也可以看作是在地形合成研究中不斷改進的結果。

  提出了一種基于顯著特征的地形合成方法,定義了描述地形顯著特征的區域統計熵,詳細描述了利用區域統計熵進行地形顯著特征提取算法。在得到地形顯著特征之后,具體闡述了采用 RBF 網絡對顯著特征進行網絡訓練的相關過程。

  在地形合成階段,利用預訓練好的 RBF 網絡模型合成了與用戶定制草圖具有一致性特征的地形場景,通過基于地形高程分布的幾何修正策略增強了合成結果的真實感。為用戶個性化定制的地形合成提出了一種有效策略。

  研究了一種基于深度學習的多尺度細節融合的地形合成關鍵技術,設計了包含顯著特征子網絡與多尺度細節保持子網絡學習網絡架構。利用顯著特征子網絡提取了多尺度下的地形顯著性區域,將其作為特征圖加入到多尺度細節保持子網絡的訓練過程中,并定義了多尺度損失函數及結構損失函數,保證了網絡訓練的質量與性能。在合成時,利用用戶草圖進行顯著特征的控制,合成結果用戶需要的同時具有一定的真實感細節。

  探索了基于條件變分自動編碼的多特征地形合成策略,提出了一種多地貌特征約束下的深度學習地形合成方法。采用生成式對抗網絡與條件變分自編碼器結合的方法,利用山脊線、河流網以及樣例地形幾何特征點作為條件進行約束,構建了多特征約束下的條件變分自動編碼學習模型。在條件變分自編碼器中,以確保能夠合成滿足用戶定制的要求、且具有多種地貌特征的真實感地形。

  參考文獻

重要提示:轉載本站信息須注明來源:原創論文網,具體權責及聲明請參閱網站聲明。
閱讀提示:請自行判斷信息的真實性及觀點的正誤,本站概不負責。
vr赛车彩票 88老虎机注册送38试玩 现在就告白带他赚钱的前女友小男 金牌麻将赚微信红包 时时彩组六固定杀一码 今天青海快三走势图 剑三采金挖宝怎么赚钱 35选7 意大利pk10计划 11彩票 内蒙古快3 重庆时时直播网址多少 欢乐麻将开不了好友房