摘要: 尽管现在大多数人都熟悉Google Earth和类似的工具,这些工具可以使用卫星图像提供有关星球的现代视图,但除了使用有时抽象或程式化的地图外,诸如几个世纪以来我们的星球在某些地方发生了什么样的变化,或者古代或古老的地方实际上是如何变化的,这些问题很难回答。 ...
尽管现在大多数人都熟悉Google Earth和类似的工具,这些工具可以使用卫星图像提供有关星球的现代视图,但除了使用有时抽象或程式化的地图外,诸如几个世纪以来我们的星球在某些地方发生了什么样的变化,或者古代或古老的地方实际上是如何变化的,这些问题很难回答。
最近的工作不仅开始使用人工智能来演示不同区域的变化方式,而且现在可以转换旧地图和图像以使其类似于现代基于卫星的视图,从而使风格化的视图更加逼真。
一种称为Pix2Pix的新工具可以拍摄旧地图甚至是手绘图像,并应用两种不同的神经网络模型将草图或地图转换为类似卫星的图像。
此外,作为质量检查的一种形式,它可以检查图像是否真实,并确定结构是否更假或外观更逼真。
该技术基于条件对抗网络,它是一种通用解决方案,在其中应用了图像到图像的转换。该工具可以应用于绘画,图纸甚至草图,将绘图,素描或描绘的对象转换成可用于训练转换的已知示例中的可比较图像。
例如,将建筑物识别为建筑物,将其重新创建为在卫星图像上显示的结构。
与该工具相关的是,中央偏差归一化技术的进步有助于扩大图像范围,并能进行图像到图像的转换,可用于生成类似图像的地图。
现在出现了其他工具,也尝试使用类似的深度神经网络方法来转换图像。循环一致性对抗网络不仅在图像到图像的转换中有效,而且该方法在没有成对的训练样本的情况下也能很好地工作。
名为CycleGAN的工具已被用来拍摄旧地图和图片,以转换为巴比伦和耶路撒冷等古代城市的逼真的图像。
另一个类似的工具StarGAN使用了生成性对抗网络,它具有潜在的优势,不仅可以将图像应用于地图绘制,而且可以应用于不同的领域,从而灵活地找到图像的相关分类和将图像转换为逼真的外观(包括地图) 或一般图像。
总体而言,这些工具显示了使用生成对抗网络从均匀的样式信息创建非样式化数据的实用性,其中包括可以训练为使用原始栅格地图数据的工具,可在自动化过程中将其转换为矢量数据。
研究表明,生成对抗网络在多比例尺地图样式转换方面具有明显的优势,但对于某些类型的地图绘制,这种图像到对象的转换仍然具有挑战性。
在过去的五年中,已经创建了各种图像到图像工具,这些工具可以拍摄草图,图纸和绘画并将其转换为类似图片的质量,包括转换为类似卫星的图像,这些进步可以使古物或旧地图具有逼真的外观。
当然,问题之一是许多古老的地图都被高度程式化或未按给定比例绘制。这些转换可能具有挑战性,具体取决于给定图像的抽象程度以及给定样式化图像是否具有可比的真实示例。
然而,这些最近的工具为有兴趣了解给定区域如何随着时间而变化,并使用旧地图和图纸比较最近的图像来证明这一点,也为感兴趣的人提供了许多便利。