论文部分内容阅读
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著特征的地形合成方法,从DEM样例地形中,定义了局部统计熵,提取了地形的显著特征,并构建数据集,建立径向基函数(Radial Basis 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著特征的结果。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著特征。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,建立了由显著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。利用预先提取的显著特征作为标签数据,对显著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著特征分布的控制,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。