技術創(chuàng)新是社會經(jīng)濟發(fā)展的核心驅動力。繼以物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)和移動互聯(lián)網(wǎng)為代表的信息技術之后，以深度學習為代表的人工智能技術蓬勃發(fā)展，其是社會經(jīng)濟發(fā)展的新動能和新引擎，深度學習在農業(yè)生產、工業(yè)制造、經(jīng)濟金融、社會管理等眾多領域產生顛覆性變革。生成式對抗網(wǎng)絡(Generative adversarial networks,GAN)作為一種新的生成式模型，已成為深度學習與人工智能技術的新熱點，在圖像與視覺計算、語音語言處理、信息安全等領域中展現(xiàn)出巨大的應用和發(fā)展前景。

生成式對抗網(wǎng)絡(GAN)具有比傳統(tǒng)機器學習算法更強大的特征學習和特征表達能力,基于GAN的三維生成是當前研究的熱點方向之一。

(資料圖片僅供參考)

據(jù)悉，微美全息(NASDAQ:WIMI)正在布局生成式模型，其研發(fā)團隊正在研究基于生成對抗網(wǎng)絡的三維圖像生成算法。生成式對抗網(wǎng)絡(GAN)是一種有效的生成數(shù)據(jù)和創(chuàng)造智能的模型。基本的GAN模型在結構上由一個生成器(Generator)和一個判別器(Discriminator)組成。GAN的初始目的是基于大量的無標記數(shù)據(jù)無監(jiān)督地學習生成器G，具備生成各種形態(tài)(圖像、語音、語言等)的數(shù)據(jù)能力。

WIMI微美全息基于生成對抗網(wǎng)絡的三維圖像生成算法通過對抗訓練的方式生成逼真的三維圖像。生成對抗網(wǎng)絡的三維生成是通過一個生成器和一個判別器的對抗訓練來實現(xiàn)的。生成器負責生成逼真的三維模型，而判別器則負責判斷生成器生成的三維模型是否真實。在訓練過程中，生成器不斷生成三維模型，判別器不斷判斷其真實性，直到生成器生成的三維模型無法被判別器區(qū)分為止，此時生成器的訓練就完成了。生成器可以根據(jù)輸入的噪聲向量生成不同的三維模型，從而實現(xiàn)三維模型的多樣性。

生成對抗網(wǎng)絡(GAN)的三維圖像生成的步驟主要包括：

數(shù)據(jù)準備：準備用于訓練的三維模型數(shù)據(jù)集，可以是真實的三維模型或者虛擬的三維模型。

結構設計：設計生成器和判別器的網(wǎng)絡結構。生成器負責生成逼真的三維模型，判別器負責判斷生成器生成的三維模型是否真實。

訓練模型：使用準備好的數(shù)據(jù)集對生成器和判別器進行訓練。在訓練中，生成器不斷生成三維模型，判別器不斷判斷其真實性，直到生成器生成的三維模型無法被判別器區(qū)分為止，此時生成器的訓練就完成了。

生成模型：訓練完成后，使用生成器輸入噪聲向量，生成逼真的三維模型。

優(yōu)化模型：利用優(yōu)化算法對生成的三維模型進行優(yōu)化，使其更加逼真和真實。

隨著“生成對抗網(wǎng)絡”技術的不斷“進化”，其已從傳統(tǒng)的計算機視覺向其他方向擴展，在對抗樣本、數(shù)據(jù)增廣、遷移學習和創(chuàng)造智能等方面都展現(xiàn)出了巨大潛力，已成為深度學習與人工智能技術的新熱點。

WIMI微美全息基于生成對抗網(wǎng)絡的三維圖像生成算法的應用領域非常廣泛，其可為游戲開發(fā)、虛擬現(xiàn)實、建筑設計等領域提供重要的技術支持。在游戲開發(fā)中，可以使用生成對抗網(wǎng)絡生成逼真的三維角色模型、場景模型等，提升游戲的真實感和可玩性。在虛擬現(xiàn)實中，可以使用生成對抗網(wǎng)絡生成逼真的三維場景模型，提升虛擬現(xiàn)實的沉浸感。在建筑設計中，可以使用生成對抗網(wǎng)絡生成逼真的三維建筑模型，幫助設計人員進行建筑設計和規(guī)劃。

本文來源：財經(jīng)報道網(wǎng)

關鍵詞：