إنشاء صور الأقمار الصناعية من خرائط متجهة

قام باحثون في المملكة المتحدة بتطوير نظام تركيب صورة قائم على الذكاء الاصطناعي يمكنه تحويل الخرائط القائمة على المتجهات إلى صور الأقمار الصناعية على الطاير.

العمارة العصبونية تسمى تركيب صور الأقمار الصناعية الخالية من الشوائب (SSS)، وتقدم فرصة للبيئات الافتراضية الواقعية وحلول الملاحة التي تمتلك دقة أفضل من صور الأقمار الصناعية؛ وهي أكثر حداثة (منذ أن يمكن تحديث أنظمة الخرائط الكارتوغرافية على أساس حي); ويمكن أن تسهل مناظير مدارية واقعية في المناطق التي تكون فيها دقة مستشعر الأقمار الصناعية محدودة أو غير متاحة.

يمكن ترجمة بيانات المتجهات الخالية من الدقة إلى أحجام صورة أعلى بكثير من تلك المتاحة غالبًا من صور الأقمار الصناعية الحقيقية، ويمكن أن تعكس بسرعة التحديثات في خرائط الكارتوغرافيا القائمة على الشبكة، مثل الحواجز الجديدة أو التغييرات في بنية شبكة الطرق. مصدر: https://arxiv.org/pdf/2111.03384.pdf

لإثبات قوة النظام، قام الباحثون بإنشاء بيئة تفاعلية على غرار جوجل إيرث حيث يمكن للمشاهد التكبير والاستكشاف لصور الأقمار الصناعية المولدة في مجموعة متنوعة من مقاييس العرض والتفاصيل، مع تحديث البلاط على مدار الوقت بطريقة مشابهة لأنظمة التفاعل التقليدية لصور الأقمار الصناعية:

التكبير في البيئة المولدة، بناءً على خريطة كارتوغرافية. انظر الفيديو في نهاية المقال للحصول على دقة أفضل ومزيد من التفاصيل حول العملية. مصدر: https://www.youtube.com/watch?v=PqFySVpkZzg

علاوة على ذلك، منذ أن يمكن للنظام توليد صور الأقمار الصناعية من أي خريطة قائمة على المتجهات، يمكن استخدامه نظريًا لبناء عوالم تاريخية أو متوقعة أو خيالية، للاستخدام في محاكيات الطيران والبيئات الافتراضية. بالإضافة إلى ذلك، يتوقع الباحثون توليد بيئات افتراضية ثلاثية الأبعاد كاملة من بيانات الكارتوغرافيا باستخدام المحولات.

في الأجل القريب، يعتقد المؤلفون أن إطارهم يمكن استخدامه لتطبيقات العالم الحقيقي العديدة، بما في ذلك التخطيط الحضري التفاعلي ونمذجة الإجراءات، حيث يمكن للمستخدمين تحرير الخريطة بشكل تفاعلي ومراجعة صور منظر الطائر لمناظر أرضية متوقعة في غضون ثوان.

الورقة الجديدة الورقة تأتي من两个 باحثين في جامعة ليدز، وتمت تسميتها تركيب صور الأقمار الصناعية الخالية من الشوائب.

يعيد بناء نظام SSS لندن، مع نظرة على الهيكل المتجه الكامن الذي يغذي الإعادة البناء. في الجزء العلوي الأيسر، الصورة الكاملة، متاحة في المواد الإضافية بدقة 8k.

الهيكل والبيانات المصدرة للتدريب

يستخدم النظام الجديد هيكل Pix2Pix من جامعة كاليفورنيا في بيركلي لعام 2017 و SPADE من شركة NVIDIA. يتكون الإطار من شبكتين عصبونيتين mới – خريطة2أقمار، التي تقوم بالتحويل من المتجه إلى صورة قائم على البكسل؛ و شوائب2مستمر، التي لا تقوم فقط بحساب طريقة خالية من الشوائب لجمع البلاط بحجم 256×256، ولكنها توفر أيضًا بيئة استكشاف تفاعلية.

هيكل نظام SSS.

يتعلم النظام توليد مناظير الأقمار الصناعية من خلال التدريب على مناظير متجهة ومقابلاتها الحقيقية في الحياة، مما يؤدي إلى فهم عام حول كيفية تفسير جوانب المتجه إلى تفسيرات فوتو-واقعية.

تستخدم الصور القائمة على المتجهات في مجموعة البيانات تمثيلها من ملفات GeoPackage (.geo) التي تحتوي على ما يصل إلى 13 علامة فئة، مثل مسار، بيئة طبيعية، مبنى و طريق، التي يتم استخدامها في تحديد نوع الصورة التي يجب وضعها في منظر الأقمار الصناعية.

تتضمن الصور القائمة على المتجهات أيضًا بيانات نظام الإسناد المرجعي للمواقع المحلية، التي يتم استخدامها لترجمةها في السياق الإطار العام للخريطة، ولتمكين المستخدم من التنقل التفاعلي في الخرائط المولدة.

بلاط خالي من الشوائب تحت القيود الصعبة

إنشاء بيئات خريطة قابلة للاستكشاف هو تحدي، حيث تقيد القيود المادية في المشروع البلاط بحجم 256 x 256 بكسل فقط. لذلك من المهم أن تأخذ عملية الت渲د أو التركيب في الاعتبار “الصورة الأكبر”، بدلاً من التركيز حصريًا على البلاط المحدد، مما سيؤدي إلى تباين غير سليم عند جمع البلاط، مع تغيير الألوان المفاجئ للطرقات، وغيرها من علامات الت