- LM-GAN: фотореалистичная всепогодная параметрическая модель неба (arXiv)
Автор: Лукас Валенса, Ян Макиньяз, Хади Моазен, Ришикеш Мадан, Яник Холд-Жоффруа, Жан-Франсуа Лалонд.
Аннотация: Мы представляем LM-GAN, HDR-модель неба, которая создает фотореалистичные карты окружающей среды с выветренным небом. Наша модель неба сохраняет гибкость традиционных параметрических моделей и позволяет воспроизводить фотореалистичное всепогодное небо с визуальным разнообразием облачных образований. Это достигается за счет гибких и интуитивно понятных пользовательских элементов управления параметрами, включая положение солнца, цвет неба и атмосферную мутность. Наш метод обучается непосредственно на входных данных, подогнанных к реальному HDR-небу, и учится как сохранять освещенность входных данных, так и сквозным образом сопоставлять их с реальными эталонными атмосферными компонентами. Наш основной вклад — это генеративная модель, обученная как внешнему виду неба, так и потерям при рендеринге сцены, а также новый алгоритм подбора параметров неба. Мы демонстрируем, что наш алгоритм подбора превосходит существующие подходы как по точности, так и по воспроизведению неба, а также предоставляем количественный и качественный анализ, демонстрируя способность LM-GAN сопоставлять параметрические входные данные с фотореалистичным всепогодным небом. Сгенерированные карты среды HDR готовы к использованию в механизмах 3D-рендеринга и могут применяться к широкому спектру приложений освещения на основе изображений.
2. Байесовская генеративно-состязательная сеть (GAN) для генерации синтетических данных временных рядов, применение в комбинированном прогнозировании канализационных стоков (arXiv)
Автор: Амин Э. Бахшипур, Алиреза Кочали, Ульрих Дитмер, Али Хагиги, Шераз Ахмад, Андреас Денгель.
Аннотация: Несмотря на различные прорывы в области машинного обучения и методов анализа данных для улучшения интеллектуальной эксплуатации и управления городской инфраструктурой водоснабжения, некоторые ключевые ограничения препятствуют этому прогрессу. Среди этих недостатков решающую роль играет отсутствие данных в свободном доступе из-за конфиденциальности данных или высоких затрат на сбор данных, а также отсутствие адекватных редких или экстремальных событий в доступных данных. Здесь генеративно-состязательные сети (GAN) могут помочь преодолеть эти проблемы. В машинном обучении генеративные модели представляют собой класс методов, способных изучать распределение данных для создания искусственных данных. В этом исследовании мы разработали модель GAN для создания синтетических временных рядов, чтобы сбалансировать наши ограниченные записанные данные временных рядов и повысить точность модели, управляемой данными, для прогнозирования комбинированного потока канализационных стоков. В качестве тестового примера мы рассмотрели канализационную систему небольшого городка в Германии. Осадки и приток в резервуары для хранения используются для разработки модели, управляемой данными. Цель состоит в том, чтобы спрогнозировать поток с использованием данных об осадках и изучить влияние дополнения данных с использованием синтетических данных на производительность модели. Результаты показывают, что GAN может успешно генерировать синтетические временные ряды из реального распределения данных, что помогает более точно прогнозировать пиковый поток. Однако модель без аугментации данных лучше работает для предсказания сухой погоды. Поэтому предлагается ансамблевая модель, сочетающая в себе преимущества обеих моделей.
