El aprendizaje profundo crea un terreno similar a la Tierra mediante el estudio de imágenes satelitales de la NASA

Los paisajes en videojuegos y mundos artificiales se pueden generar de dos formas. El primero es crear el terreno a mano y poblarlo con colores y texturas apropiados, como rocas, hierba, árboles, nieve, etc. Esto produce resultados de alta calidad pero es costoso debido al trabajo humano involucrado.

El segundo método es generar el paisaje algorítmicamente, un proceso mucho más rápido y económico. Así es como los jugadores del juego Minecraft ingresan a un paisaje completamente nuevo cada vez que juegan.

Los algoritmos detrás de este proceso están bien desarrollados y los programadores los han perfeccionado a lo largo de los años para producir diferentes climas, texturas, variaciones de altura, etc. Pero los nuevos algoritmos de generación de paisajes requieren mucho tiempo y son costosos de escribir. Entonces, una forma de automatizar su creación sería un avance significativo.

Hoy, Christopher Beckham y Christopher Pal del Instituto de Algoritmos de Aprendizaje de Montreal en Canadá dicen que han entrenado una máquina de aprendizaje profundo para generar paisajes realistas utilizando imágenes satelitales de la Tierra como un conjunto de entrenamiento. En efecto, la máquina escribe su propio algoritmo. El trabajo promete cambiar significativamente la forma en que se pueden generar paisajes artificiales sobre la marcha.

El sistema que explotan Beckham y Pal se denomina red adversarial generativa. Consiste en dos máquinas de aprendizaje profundo que trabajan juntas para abordar un problema, en este caso generando un terreno realista.

La primera máquina genera nuevo terreno mientras que la segunda evalúa los resultados y proporciona retroalimentación. Luego, la primera máquina usa esta retroalimentación para producir otro conjunto de paisajes, que la segunda máquina evalúa con retroalimentación, y así sucesivamente. La idea es que la segunda máquina aprenda a producir paisajes que coincidan con la retroalimentación dada por la primera máquina.

Claramente, una parte importante de este proceso es enseñar a la primera máquina cómo debería ser un paisaje ideal. Este tipo de tarea se ha vuelto sencilla en el aprendizaje automático cuando hay una gran base de datos de imágenes para aprender, por ejemplo, en el reconocimiento de rostros o de objetos. Pero aún no se ha hecho para la generación de terreno de esta manera.

Entonces, el primer objetivo de Beckham y Pal fue crear una base de datos de imágenes para entrenamiento.

Resulta que exactamente este tipo de datos está disponible gracias al programa Tierra Visible de la NASA, que ha creado un mapa detallado de nuestro planeta natal. Esto incluye datos sobre altura, forma y color.

Las imágenes de la NASA son enormes: 21.600 píxeles por 10.800 píxeles. Muestran todo el planeta, y cada píxel representa un kilómetro cuadrado en la superficie. Beckham y Pal toman una ventana aleatoria de 512x512 píxeles y la deslizan por las imágenes para crear una gran base de datos de muestras de imágenes para el entrenamiento. Eliminan las imágenes que son en su mayoría negras (es decir, que muestran el océano puro) para que el entrenamiento no sea demasiado trivial. Las texturas de la colección pueden corresponder a varios biomas como la jungla, el desierto y el ártico, dicen.

Luego usan este conjunto de datos para entrenar una máquina de aprendizaje profundo para reconocer terrenos terrestres realistas de varios tipos. A continuación, configuraron otra máquina de aprendizaje profundo para generar imágenes de 512x512 píxeles al azar. Envía estos mapas a la máquina entrenada, que los evalúa y envía sus comentarios.

Al principio, por supuesto, los paisajes generados son malas representaciones del terreno terrestre. Pero a lo largo de muchas iteraciones, la máquina aprende a producir paisajes que reciben buenas evaluaciones. Y una vez que ha hecho esto, puede generar continuamente nuevos terrenos similares a la Tierra.

Pero las imágenes no son perfectas. Pueden contener artefactos del proceso de aprendizaje que no se ajustan a las características del mundo real. Estos podrían evitarse con configuraciones de aprendizaje más profundas o desenfocando las imágenes, dicen los investigadores.

Claramente hay más trabajo por hacer, pero la pareja parece feliz con este resultado. Hemos logrado un primer paso razonable hacia la generación procedimental de terreno basada en datos del mundo real, dicen.

Es un trabajo interesante que tiene una amplia gama de otras aplicaciones. Para empezar, la base de datos de entrenamiento no tiene que estar basada en la Tierra. La NASA tiene imágenes detalladas de la luna, Marte, Titán y varios otros lugares del sistema solar que podrían usarse para entrenar redes similares. Entonces, juegos como Minecraft podrían adquirir fácilmente una sensación lunar o marciana distinta con poca participación humana.

Y la base de datos de entrenamiento ni siquiera necesita estar basada en el terreno. Uno puede imaginar que se aplica el mismo esquema para sintetizar mallas 3D que luego se texturizan (por ejemplo, caras), dicen Beckham y Pal.

Eso es algo que podría ser de interés para una amplia gama de creadores de juegos y otros. Este tipo de posibilidades sirven no solo para promover experiencias de entretenimiento más ricas, sino también para proporcionar herramientas útiles para ayudar a los productores de contenido (por ejemplo, artistas 3D) en su trabajo, dicen Beckham y Pal.

Ref: arxiv.org/abs/1707.03383 : Un paso hacia la generación de terreno procedimental con GAN

esconder