基于机器学习策略的地形合成探究 本文关键词：地形，探究，合成，机器，策略
基于机器学习策略的地形合成探究 本文简介：摘要 地形合成技术广泛应用于影视创作、游戏开发及军事仿真等领域，其研究具有一定的实际应用价值。传统的地形合成方法具有较低的可控性，例如，过程化地形合成方法及物理侵蚀合成方法主要满足真实感需求，利用这些策略难以达到与真实地形具有一致性的真实感效果。同时，现有传统方法也很少考虑用户的个性化定制需求
基于机器学习策略的地形合成探究 本文内容：
摘 要
地形合成技术广泛应用于影视创作、游戏开发及军事仿真等领域，其研究具有一定的实际应用价值。传统的地形合成方法具有较低的可控性，例如，过程化地形合成方法及物理侵蚀合成方法主要满足真实感需求，利用这些策略难以达到与真实地形具有一致性的真实感效果。同时，现有传统方法也很少考虑用户的个性化定制需求。为了克服这些地形合成方法中存在的问题，本文探索了基于机器学习策略的地形合成技术，采用数字高程模型（Digital Elevation Model，DEM）作为合成地形的样例，研究在用户手绘草图控制下的真实感地形合成关键技术。
论文首先研究了基于显着特征的地形合成方法，从 DEM 样例地形中，定义了局部统计熵，提取了地形的显着特征，并构建数据集，建立径向基函数（RadialBasis Function，RBF）神经网络模型。进一步在地形合成中，利用用户草图进行控制，合成具有用户定制的、与真实地形具有一致性显着特征的结果。为用户个性化定制的地形合成提出了一种有效策略，同时使得合成结果可以保持样例地形的显着特征。
其次，提出了一种基于深度学习的多尺度细节融合地形合成策略，建立了由显着特征子网络及多尺度细节保持子网络组成的地形合成网络。利用预先提取的显着特征作为标签数据，对显着特征子网络进行预训练，进一步结合多尺度细节子网络，实现具有细节特征的地形合成结果。研究中，定义了多尺度的损失函数，并利用用户草图进行显着特征分布的控制，以确保所构建的深度学习网络的性能，使得合成地形能够满足真实感细节的实际需求，同时满足用户定制的需要。
此外，探索了基于条件变分自动编码的多特征地形合成方法。采用条件变分自编码器（Conditional Variational Auto-Encoder，CVAE）与生成式对抗网络（Generative Adversarial Networks，GAN）相结合的方法，构建多特征约束的条件变分自动编码学习模型。在 CVAE 中，利用山脊线、河流网以及几何特征点作为条件进行约束，以确保在定制地形合成中，能满足多地貌特征约束的用户要求，并且可以获取与样例地形一致性特征的结果。
总之，本文通过探索基于学习机制的地形合成关键技术，对用户手绘草图控制的地形合成问题提出了新的解决方案，为个性化地形定制问题的研究提供了一定的借鉴思路，并为应用带来一定的实际价值。
关键词: 地形合成，用户草图，机器学习，显着特征，多尺度，条件变分自动编码。
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 绪论
1.1、研究背景及意义。 地形作为三维虚拟场景中的主要视觉元素，在实际生活中具有广泛的应用价值。在影视创作中，通过地形合成技术可以制作出无法实拍的三维地形，既能满足一定的创作需求又能达到真实效果，从而提高影视作品的完成度与用户的视觉体验。在军事仿真中，合成战场的地形越真实，模拟训练的质量就越高。除此以外，在大型游戏开发、园区景观规划等方面，地形合成技术也都得到了广泛的应用 [1]。
随着人们对地形场景的定制需求越来越高，地形合成研究的主要问题集中到在保证合成结果具有一定真实感的情况下，提高用户对地形定制的可控性。传统的地形合成方法具有较低的可控性，需要用户具备一定的专业建模知识。此外，宏观上地貌风格类似的地形场景，在局部地形要素的分布上呈现出的不规则性与多样性，也进一步加大了合成技术的研究难度。这些因素在一定程度上限制了地形合成技术从人为编辑到自动化合成的发展。
传统的地形合成方法从满足真实感角度出发，却难以达到与真实地形具有一致性的地貌外观。同时，传统方法也很少考虑用户的个性化定制需求，无法根据用户的意图合成相应地貌风格的地形场景。因此，目前的地形合成问题研究中，在提高用户定制需求的同时，保证合成地形与样例地形具有一致的真实感细节逐渐成为了当前领域内的研究热点，具有一定的研究价值。
1.2、地形合成技术的国内外研究现状。 按照地形合成技术的发展顺序，目前的合成技术可以分为四类 [2]：过程化地形合成方法、基于物理侵蚀的合成方法、基于草图的合成方法以及基于机器学习的合成方法。过程化地形合成方法主要根据分形几何理论，按照固定层次的细节模型，不断迭代得到大范围地形场景。为了解决过程化合成中地形细节丢失等问题，人们提出了基于物理侵蚀的合成方法。该方法通过模拟一些自然侵蚀现象，增强了合成地形的真实感细节。在进一步的研究中，为了使地形合成过程具有更高的可控性，人们研究了基于草图的交互式建模方法，根据用户的定制需求合成特定的场景。然而随着用户可控性的提高，容易导致在合成结果中出现地貌不合理的现象。近年来，研究人员利用机器学习方法对样例地形数据构建学习模型，通过用户草图的控制，确保了合成结果在地貌分布上具有一定的合理性。本节围绕这四类地形合成方法，针对国内外研究状况进行阐述。
过程化地形合成方法 [3] 最早利用分形几何 [4] 的细节不限和统计自相关的典型特性，通过将简单的规则不断迭代，从而生成复杂地形。该方法通过过程化函数控制整个合成过程，根据分形规则不停迭代，得到大尺度的地形场景。在此基础上，Fournier 等人提出了一种自适应细分方法用来合成自相似且未被侵蚀过的地形 [5]。在进一步的研究中，Perlin 等人提出了基于 Perlin 噪声的过程化地形建模方法 [6]。而 Prusinkiewicz 等人通过建立基于分形理论的 L-系统 [7] 构造地形中的河流网络，继而对河流网络进行插值得到整个场景 [8]。总体而言，过程化地形合成方法强调规律性的迭代过程，无需人为干预，速度较快，但用户无法控制合成结果，生成的地形在整体上过于生硬，真实感较低。
为了解决过程化合成方法中真实感较差这一缺陷，人们提出了基于物理侵蚀的合成方法 [2]。此类方法通过对已有地形的侵蚀提高真实感细节。Kelley 等人 [9] 研究了河网的侵蚀规律，建立河网流域，进而对该流域进行高度插值来合成整个场景。Kri?tof 等人把侵蚀作用与光滑粒子流体力学相结合 [10]，而 Wojtan等人则引入了形态学中的腐蚀算法 [11]。在此基础上，Nagashima 等人通过融合多种基础侵蚀模型进行地形建模 [12]。采用物理侵蚀的方法合成的地形具有较强的真实感细节，但合成过程仍然难以控制，且计算效率较低。随着图形处理器（Graphics Processing Unit，GPU）的发展，此类方法一般利用 GPU 提升计算效率[13]。
在进一步研究中，为了满足用户的定制需求，人们开始研究基于用户手绘草图的交互式地形合成方法。在现有的研究工作中，比较有代表性的方法为 Zhou等人提出的一种基于纹理拼接的地形合成方法 [14]，该方法将 DEM 数据中预先提取地形纹理块，按照用户的定制需求拼接到合成场景中。受该方法的启发，Gain 等人通过对用户绘制的山脉轮廓线和边界线进行变形，从而生成具有相应高程的地形场景 [15]。而 Hnaidi 等人设计了一种将基于向量的模型算法直接作用到河流轨迹的方法 [16]，根据给定的用于表示地貌特征的模板合成地形，采用多栅型扩散方程将高程和梯度约束匹配到对应的控制曲线中。Tasse 等人在文献[15] 的基础上，提出了基于第一人称视角的侧影草图地形合成方法 [17]。为了加快合成效率，?t’ava 等人利用 GPU，对提出的草图和物理侵蚀的混合建模方法进行了加速 [18]。但是基于草图的合成方法需要从样例地形中预先提取地形特征，合成结果受限于样例地形的地貌特征，容易导致一些地貌不正确的合成结果。
近年来，随着机器学习技术的发展，人们尝试利用机器学习方法研究地形合成问题。尹华飞等人利用神经网络学习地形数据之间的隐式特征，使用用户草图来控制地形的合成，使得合成结果具有一定真实感 [19]。Guérin 等人用字典学习中的原子来表达局部地形特征，合成阶段通过将这些原子进行线性组合而获得不同地貌的地形 [20]。文献 [21] 则通过使用卷积神经网络，预测输入草图中山脉轮廓线的深度信息，对合成结果中的山脉位置进行了合理的约束。此外，Guérin等人首次将深度学习引入到地形合成领域，通过有监督的学习，设计了根据用户草图自动化合成地形深度学习框架，但合成的效果有待进一步提升 [22]。
总之，传统的合成方法较难在满足真实感与提高用户定制需求之间达到一个有效的平衡。而机器学习方法可以学习真实样例地形中的内在特征，确保合成结果具有与样例地形一致的真实感，同时由于机器学习中训练方法的可监督特性，能够满足用户的定制需求。因此基于机器学习的地形合成方法具有更大的研究空间。
【由于本篇文章为硕士论文，如需全文请点击底部下载全文链接】
1.3 论文的主要研究内容
1.4 论文的结构安排
第二章 相关技术基础
2.1 地形合成常用方法 2.1.1 过程化地形合成方法
2.1.2 基于物理侵蚀的地形合成方法
2.1.3 基于草图的地形合成方法
2.1.4 基于机器学习的地形合成方法
2.2 机器学习技术基础 2.2.1 机器学习基础知识
2.2.2 机器学习常用模型
2.2.3 深度学习常用模型及其基础介绍
2.3 本章小结
第三章 基于显着特征的地形合成策略
3.1 现有研究方法及存在的问题
3.2 合成策略的主要思想
3.3 显着特征提取策略
3.4 基于 RBF 神经网络的地形合成算法 3.4.1 RBF 网络构建方法
3.4.2 网络训练方法
3.5 合成策略的详细设计方案 3.6 实验结果及性能分析
3.6.1 显着特征提取结果
3.6.2 地形合成实验结果
3.6.3 实验结果对比
3.7 本章小结
第四章 多尺度细节融合的深度地形合成算法
4.1 现有相关工作及存在的问题
4.2 多尺度细节融合算法的框架
4.3 网络设计方案 4.3.1 网络结构设计
4.3.2 损失函数设计
4.3.3 数据集的构建
4.4 多尺度细节融合地形合成算法的步骤 4.5 实验结果及性能分析
4.5.1 地形合成实验结果
4.5.2 对比结果与分析
4.6 本章小结
第五章 基于条件变分自动编码的地形合成关键技术
5.1 现有方法存在问题及分析
5.2 基于条件变分自动编码的合成算法主要思想
5.3 网络结构详细设计 5.3.1 网络拓扑结构
5.3.2 损失函数
5.3.3 多特征地形图像数据集的构建
5.4 基于条件变分自编码器的地形合成算法 5.5 实验结果及性能分析
5.5.1 地形合成实验结果
5.5.2 实验结果分析
5.6 本章小结 第六章 总结
本文将机器学习及深度学习方法引入地形合成技术的研究中，分别提出了基于显着特征的地形合成方法、基于多尺度细节融合的深度地形合成方法技术条件变分自动编码的深度地形合成方法。从合成方法的三个角度对地形合成进行了深入研究，这三种策略的技术可以作为相互独立的应用存在，也可以看作是在地形合成研究中不断改进的结果。
提出了一种基于显着特征的地形合成方法，定义了描述地形显着特征的区域统计熵，详细描述了利用区域统计熵进行地形显着特征提取算法。在得到地形显着特征之后，具体阐述了采用 RBF 网络对显着特征进行网络训练的相关过程。
在地形合成阶段，利用预训练好的 RBF 网络模型合成了与用户定制草图具有一致性特征的地形场景，通过基于地形高程分布的几何修正策略增强了合成结果的真实感。为用户个性化定制的地形合成提出了一种有效策略。
研究了一种基于深度学习的多尺度细节融合的地形合成关键技术，设计了包含显着特征子网络与多尺度细节保持子网络学习网络架构。利用显着特征子网络提取了多尺度下的地形显着性区域，将其作为特征图加入到多尺度细节保持子网络的训练过程中，并定义了多尺度损失函数及结构损失函数，保证了网络训练的质量与性能。在合成时，利用用户草图进行显着特征的控制，合成结果用户需要的同时具有一定的真实感细节。
探索了基于条件变分自动编码的多特征地形合成策略，提出了一种多地貌特征约束下的深度学习地形合成方法。采用生成式对抗网络与条件变分自编码器结合的方法，利用山脊线、河流网以及样例地形几何特征点作为条件进行约束，构建了多特征约束下的条件变分自动编码学习模型。在条件变分自编码器中，以确保能够合成满足用户定制的要求、且具有多种地貌特征的真实感地形。
参考文献
基于机器学习策略的地形合成探究 来源：网络整理
免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。
《
基于机器学习策略的地形合成探究》
由：
76范文网互联网用户整理提供,链接地址：
http://m.yuan0.cn/a/82060.html
免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。