基于深度学习的地形生成方法研究

• 作 者: 苏奇
• 出 处: 西安电子科技大学
• 发表日期: 2021年05期
• 关键词: 深度学习 生成式对抗网络 地形生成 网络结构优化

虚拟地形作为虚拟场景中的重要因素,在虚拟军事演练、虚拟现实和三维仿真等诸多领域中被广泛应用。如何快速高效地生成用户可控的地形,一直是图形学领域中具有挑战性的课题。近年来深度学习技术飞速发展,已经在风景画迁移、虚拟肖像合成等诸多领域展现出传统算法难以企及的效果。如何基于深度学习技术快速有效地生成用户可控并且具有高度真实感的地形,成为新的研究方向。在基于深度学习的生成模型中,生成式对抗网络(Generative Adversarial Networks,GAN)以其优秀的生成效果逐渐成为生成任务的首选模型。在GAN模型的各种分支中,条件生成对抗网络(Conditional Generative Adversarial Network,CGAN)提供了对生成结果的约束,增加了对生成图像的控制。pix2pix是在CGAN基础上提出的一种通用的图像转换网络,把pix2pix直接应用到山谷线山脊线图到地形图的转换任务上,也可以取得一定的效果,但是网络的训练难度偏大,并且在输入的山脊线较为稀疏时地形的生成效果不理想,地形图中会出现明显的不符合自然规律的重复网格痕迹。针对上述问题,论文结合DEM地形图的特点,对原pix2pix网络的结构进行了优化,设计了适合地形生成的Topo GAN网络。Topo GAN网络只需根据用户提供的山脊线和山谷线等地形特征的描述,就可以自动生成符合用户期望的地形图,并且能有效解决网格痕迹问题。论文所完成的主要工作和贡献总结如下:1.针对地形生成任务,介绍了基于CGAN的pix2pix网络,深入研究了该模型的基本原理和网络结构,并发现了该网络存在的结构复杂、输入稀疏山脊线条件下输出地形中存在明显的重复网格痕迹等问题。2.结合DEM地形图的特点和pix2pix网络在生成地形时出现的问题,基于pix2pix网络提出了一种更适合地形生成的Topo GAN网络。Topo GAN通过改变生成网络中跨层通道信息的交互方式,降低了网络的训练复杂度;通过改变生成网络解码部分特征图的扩张方式,避免了生成的地形图中出现的重复网格痕迹问题。3.用多个测试样例对Topo GAN网络在地形生成中的有效性进行了实验,对比了pix2pix和Topo GAN两个网络在稀疏山脊线下的地形生成效果,并对比了两者的训练复杂度。制作了秦岭地貌风格的数据集,并测试了Topo GAN在该数据集下的地形生成效果。实验结果表明:论文提出的Topo GAN网络可以根据山谷线山脊线生成逼真的三维地形;相比pix2pix,Topo GAN降低了训练复杂度;Topo GAN解决了pix2pix网络生成的地形中存在的重复网格痕迹问题,在山脊线较为稀疏时生成的地形效果更好;Topo GAN可以有效生成秦岭风格的地形,验证了该网络学习和还原特定地貌的能力。