Вдосконалення процедурного генерування віртуальних ландшафтів з використанням машинного навчання

Abstract

Метою роботи є дослідження та вдосконалення наявних методів генерування віртуальних ландшафтів, що включають як традиційні алгоритми, так і методи, що використовують моделі машинного навчання. Проаналізовано недоліки існуючих підходів, оцінено сфери використання фрактальних шумових алгоритмів та генеративних нейронних мереж, досліджено їх обмеження та можливості. Розроблено архітектуру генеративної моделі на основі варіаційного автоенкодера для створення цифрових моделей місцевості. Виділено метрики якості згенерованих фрагментів рельєфу та методи оптимізації параметрів генеративних алгоритмів. Реалізовано прототип застосунку, для автоматизації процесу створення користувацьких наборів даних, тренування моделі на основі цих даних та оцінки якості згенерованих результатів. Реалізовано модуль оптимізації параметрів шумових фрактальних алгоритмів, що дозволяє підвищити точність відтворення рельєфу за умови їх використання, а також для порівняння результатів іх роботи із результатами роботи генеративних нейронних мереж. Результати експериментів дослідження підтвердили високу ефективність створеного програмного забезпечення. За показниками стуктурної подібності результату, швидкодії та стабільності генерування модель на основі варіаційного автоенкодера суттєво перевершила традиційні методи процедурного генерування ландшафтів. Загальний обсяг роботи складає 81 сторінку.

The aim of this work is to investigate and improve existing methods for generating virtual landscapes, including both traditional algorithms and approaches based on machine learning models. The shortcomings of current techniques were analyzed, the application areas of fractal noise algorithms and generative neural networks were evaluated, and their limitations and capabilities were studied. An architecture of a generative model based on a variational autoencoder was developed for creating digital elevation models. Quality metrics for generated terrain fragments and methods for optimizing the parameters of generative algorithms were identified. A prototype application was implemented to automate the processes of creating custom datasets, training the model on these datasets, and evaluating the quality of generated results. A module for optimizing the parameters of fractal noise algorithms was also implemented, enabling improved terrain reproduction accuracy when using these methods, as well as facilitating comparison of their results with those produced by generative neural networks. The results of the experimental study confirmed the high efficiency of the developed software. In terms of structural similarity of the generated results, performance, and generation stability, the variational autoencoder-based model significantly outperformed traditional procedural landscape generation methods. The total volume of the work is 81 pages.