إنشاء صور الأقمار الصناعية من الخرائط المتجهة

قام باحثون في المملكة المتحدة بتطوير نظام تركيب صور قائم على الذكاء الاصطناعي يمكنه تحويل الخرائط المتجهة إلى صور الأقمار الصناعية على الفور.

يتسم الهيكل العصبي باسم تركيب صور الأقمار الصناعية الخالية من الشوائب (SSS)، ويوفر فرصة لبيئات افتراضية واقعية وحلول ملاحة ذات دقة أفضل من صور الأقمار الصناعية؛ وهي محدثة أكثر (منذ أن يمكن تحديث أنظمة الخرائط الكارتوغرافية على أساس حي)؛ ويمكن أن تسهل مناظر واقعية على الطراز المداري في المناطق التي تكون فيها دقة مستشعر الأقمار الصناعية محدودة أو غير متاحة.

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

为了展示 نظام القوة، قام الباحثون بإنشاء بيئة تفاعلية على غرار جوجل إيرث، حيث يمكن للمستخدم التكبير والاستكشاف والمراقبة لصور الأقمار الصناعية المولدة بدرجات ومستويات تفصيل مختلفة، مع تحديث البلاط بشكل حي في نفس الوقت تقريبًا مثل الأنظمة التفاعلية 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، يمكن أن يستخدم النظام لإنشاء عوالم تاريخية أو متوقعة أو خيالية، للاستخدام في محاكيات الطيران والبيئات الافتراضية. بالإضافة إلى ذلك، يتوقع الباحثون توليد بيئات افتراضية ثلاثية الأبعاد كاملة من البيانات الكارتوغرافية باستخدام المحولات.

في الأجل القريب، يعتقد المؤلفون أن إطارهم يمكن استخدامه في العديد من التطبيقات العملية، بما في ذلك التخطيط الحضري التفاعلي والنمذجة الإجرائية، حيث يمكن للمشاركين تحرير الخريطة بشكل تفاعلي ومراقبة صور الأقمار الصناعية للمناظر المقترحة في غضون ثوان.

ينشأ المقال الجديد من باحثين في جامعة ليدز، ويتسم بالعنوان تركيب صور الأقمار الصناعية الخالية من الشوائب.

يعيد هيكل SSS بناء لندن، مع نظرة على الهيكل المتجه القائم الذي يغذي الإعادة بناء. في الزاوية العلوية اليسرى، الصورة الكاملة، متاحة في المواد الإضافية بدقة 8k.

الهيكل والبيانات المتجهة للتدريب

يستخدم النظام الجديد هيكل Pix2Pix من جامعة كاليفورنيا، بيركلي في عام 2017، وهيكل SPADE من شركة NVIDIA. يتكون الإطار من شبكتين عصبويتين جديدتين – خريطة2سات، التي تقوم بتحويل البيانات من المتجهات إلى صور نقطية؛ وشعاب2متصلة، التي لا تقوم فقط بحساب طريقة خالية من الشوائب لجمع البلاط بحجم 256×256 بكسل، ولكنها توفر أيضًا بيئة استكشاف تفاعلية.

هيكل SSS.

يتعلم النظام توليد مناظر الأقمار الصناعية من خلال التدريب على مناظر المتجهات ومقابلاتها الحقيقية في الحياة الواقعية، مما يؤدي إلى فهم عام حول كيفية تفسير جوانب المتجهات في صور فوتوغرافية.

تتم راسمات الصور المتجهة المستخدمة في مجموعة البيانات من ملفات GeoPackage (.geo) التي تحتوي على ما يصل إلى 13 علامة فئة، مثل مسار، البيئة الطبيعية، مبنى وطريق، والتي يتم استخدامها في تحديد نوع الصور التي يجب وضعها في منظر الأقمار الصناعية.

تتمتع الصور المتجهة المرسومة أيضًا بميتاداتا نظام الإسناد المرجعي للمواقع المحلية، والتي يتم استخدامها لتفسيرها في سياق الإطار الكارتي العام، وتمكين المستخدم من التنقل التفاعلي في الخرائط المولدة.

بلاط خالية من الشوائب تحت القيود الصعبة

إنشاء بيئات خرائط قابلة للاستكشاف هو تحد، حيث تقيد القيود المادية في المشروع البلاط بحجم 256×256 بكسل فقط. لذلك من المهم أن تأخذ عملية الت渲ير أو التركيب في الاعتبار “الصورة الأكبر”، بدلاً من التركيز حصريًا على البلاط في متناول اليد، مما يؤدي إلى تباين قوي عند تجميع البلاط، مع تغيير لون الطرق فجأة، وغيرها من مشاكل الت