CN112686996A - 游戏山脉地形创建方法、模型训练方法及相关装置 - Google Patents
游戏山脉地形创建方法、模型训练方法及相关装置 Download PDFInfo
- Publication number
- CN112686996A CN112686996A CN202011579146.8A CN202011579146A CN112686996A CN 112686996 A CN112686996 A CN 112686996A CN 202011579146 A CN202011579146 A CN 202011579146A CN 112686996 A CN112686996 A CN 112686996A
- Authority
- CN
- China
- Prior art keywords
- training
- mountain
- game
- sample
- sample picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 22
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本申请提出一种游戏山脉地形创建方法、模型训练方法及相关装置,涉及游戏处理技术领域,在获取训练样本集之后,利用训练样本集中每一张训练山脉样本图片对应的高度图数据,生成每一张训练山脉样本图片对应的山脊线数据,从而将训练样本集中每一张训练山脉样本图片对应的高度图数据和山脊线数据配对,以生成样本图片对训练集后,利用样本图片对训练集对游戏山脉创建模型进行训练,直至该游戏山脉创建模型满足设定的收敛条件;如此,在创建游戏山脉地形数据的过程中,能够利用获得的山脊线数据,直接生成对应的游戏山脉地形数据,减少了人工操作的过程,提高了游戏山脉地形的生成效率。
Description
技术领域
本申请涉及游戏处理技术领域,具体而言,涉及一种游戏山脉地形创建方法、模型训练方法及相关装置。
背景技术
在例如三维游戏等应用场景中,可以在游戏场景中构建例如山脉、湖泊、树木等对象,以提升游戏的真实性效果。
然而,在一些创建例如山脉等对象的方案中,由于需要手动创建对象模型,导致创建效率较低。
发明内容
本申请的目的在于提供一种游戏山脉地形创建方法、模型训练方法及相关装置,能够提高游戏山脉地形的生成效率。
为了实现上述目的,本申请采用的技术方案如下:
第一方面,本申请提供一种游戏山脉创建模型的训练方法,所述方法包括:
获取训练样本集;其中,所述训练样本集中包括多张训练山脉样本图片,以及每一张训练山脉样本图片对应的高度图数据;
根据每一张所述训练山脉样本图片对应的高度图数据,生成每一张所述训练山脉样本图片对应的山脊线数据;
将所述训练样本集中每一张训练山脉样本图片对应的山脊线数据和高度图数据进行配对,生成样本图片对训练集;其中,所述样本图片对训练集包括多个训练山脉样本图片对,每一个训练山脉样本图片对由一个训练山脉样本图片对应的山脊线数据和高度图数据组成;
利用所述样本图片对训练集对所述游戏山脉创建模型进行训练,直至所述游戏山脉创建模型满足设定的收敛条件。
第二方面,本申请提供一种游戏山脉地形创建方法,所述方法包括:
获得目标山脊线数据;
将所述目标山脊线数据输入至预先训练完成的游戏山脉创建模型,并获得所述游戏山脉创建模型输出的地形高度图数据;其中,所述游戏山脉创建模型利用上述的游戏山脉创建模型的训练方法训练完成;
将所述地形高度图数据输入游戏引擎,并获得所述游戏引擎输出的游戏山脉地形数据。
第三方面,本申请提供一种游戏山脉创建模型的训练装置,所述装置包括:
第一处理模块,用于获取训练样本集;其中,所述训练样本集中包括多张训练山脉样本图片,以及每一张训练山脉样本图片对应的高度图数据;
所述第一处理模块还用于,根据每一张所述训练山脉样本图片对应的高度图数据,生成每一张所述训练山脉样本图片对应的山脊线数据;
所述第一处理模块还用于,将所述训练样本集中每一张训练山脉样本图片对应的山脊线数据和高度图数据进行配对,生成样本图片对训练集;其中,所述样本图片对训练集包括多个训练山脉样本图片对,每一个训练山脉样本图片对由一个训练山脉样本图片对应的山脊线数据和高度图数据组成;
训练模块,用于利用所述样本图片对训练集对所述游戏山脉创建模型进行训练,直至所述游戏山脉创建模型满足设定的收敛条件。
第四方面,本申请提供一种游戏山脉地形创建装置,所述装置包括:
第二处理模块,用于获得目标山脊线数据;
所述第二处理模块还用于,将所述目标山脊线数据输入至预先训练完成的游戏山脉创建模型,并获得所述游戏山脉创建模型输出的地形高度图数据;其中,所述游戏山脉创建模型利用上述的游戏山脉创建模型的训练方法训练完成;
地形生成模块,用于将所述地形高度图数据输入游戏引擎,并获得所述游戏引擎输出的游戏山脉地形数据。
第五方面,本申请提供一种电子设备,所述电子设备包括存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现上述的游戏山脉创建模型的训练方法或者是游戏山脉地形创建方法。
第六方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的游戏山脉创建模型的训练方法或者是游戏山脉地形创建方法。
本申请提供的一种游戏山脉地形创建方法、模型训练方法及相关装置,在获取训练样本集之后,利用训练样本集中每一张训练山脉样本图片对应的高度图数据,生成每一张训练山脉样本图片对应的山脊线数据,从而将训练样本集中每一张训练山脉样本图片对应的高度图数据和山脊线数据配对,以生成样本图片对训练集后,利用样本图片对训练集对游戏山脉创建模型进行训练,直至该游戏山脉创建模型满足设定的收敛条件;如此,在创建游戏山脉地形数据的过程中,能够利用获得的山脊线数据,直接生成对应的游戏山脉地形数据,减少了人工操作的过程,提高了游戏山脉地形的生成效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1示出本申请提供的电子设备的一种示意性结构框图;
图2示出本申请提供的游戏山脉创建模型的训练方法的一种示意性流程图;
图3示出本申请提供的游戏山脉地形创建方法的一种示例性流程图;
图4示出本申请提供的游戏山脉创建模型的训练装置的一种示意性结构框图;
图5示出本申请提供的游戏山脉地形创建装置的一种示意性结构框图。
图中:100-电子设备;101-存储器;102-处理器;103-通信接口;400-游戏山脉创建模型的训练装置;401-第一处理模块;402-训练模块;500-游戏山脉地形创建装置;501-第二处理模块;502-地形生成模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请的一些实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请选定的一些实施例。基于本申请中的一部分实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在例如上述的三维游戏等应用场景中,可以由开发人员通过一些软件生成包括山脉的地形高度图,并通过生成的地形高度图中各个像素值进行网格拉伸,生成包含山脉的游戏地形。
其中,在一些生成地形高度图的实施方式中,开发人员可以采用World Machine或Houdini等地形软件生成随机的包含山脉的地形高度图,进而利用随机生成的地形高度图进行网格拉伸,最终生成包含山脉的游戏地形。
然而,利用地形软件随机生成的地形高度图真实性较差,拉伸得到的游戏地形表面一般比较光滑,与现实场景中的地形表面差异较大。
因此,在一些相关的实施方式中,还可以由开发人员手动的绘制一些包含山脉的地形高度图,以提高游戏地形的真实性。
但是,由开发人员手动绘制的地形高度图的实施方式中,需要较多的人工投入,游戏地形的生成效率也较低。
因此,基于上述缺陷,本申请提供一种游戏山脉地形创建方法、模型训练方法及相关装置,以在创建游戏山脉地形数据的过程中,减少人工操作的过程,提高游戏山脉地形的生成效率。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1示出本申请提供的电子设备100的一种示意性结构框图,电子设备100可以包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器101可用于存储软件程序及模块,如本申请提供的游戏山脉创建模型的训练装置或者是游戏山脉地形创建装置对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理,进而执行本申请提供的游戏山脉创建模型的训练方法或者是游戏山脉地形创建方法的步骤。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除可编程只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是,图1所示的结构仅为示意,电子设备100还可以包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
下面以图1所示的电子设备100作为示意性执行主体,对本申请提供的游戏山脉创建模型的训练方法进行示例性说明,其中,电子设备100可以保存有预先创建的游戏山脉创建模型,该游戏山脉创建模型具有一些初始模型参数。
请参阅图2,图2示出本申请提供的游戏山脉创建模型的训练方法的一种示意性流程图,可以包括以下步骤:
步骤201,获取训练样本集。
步骤203,根据每一张训练山脉样本图片对应的高度图数据,生成每一张训练山脉样本图片对应的山脊线数据。
步骤205,将训练样本集中每一张训练山脉样本图片对应的山脊线数据和高度图数据进行配对,生成样本图片对训练集。
步骤207,利用样本图片对训练集对游戏山脉创建模型进行训练,直至游戏山脉创建模型满足设定的收敛条件。
在一些实施例中,电子设备在对该游戏山脉创建模型进行训练的过程中,可以先获取一训练样本集,其中,该训练样本集中可以包括多张训练山脉样本图片,以及每一张训练山脉样本图片对应的高度图数据。
比如,该训练样本集中包括的训练山脉样本图片可以是通过DEM(DigitalElevation Model,数字高程模型)获取的图片,该训练山脉样本图片中的每一个像素点对应的高度均可以通过DEM获取。
接下来,针对该训练样本集中的每一个训练山脉样本图片,电子设备可以采用例如中轴线算法等方式,根据每一张训练山脉图片各自对应的高度图数据,提取出每一张训练山脉样本图片对应的山脊线数据。其中,在一些可能的场景中,基于山脊粗细不同,则电子设备提取到的山脊线数据也存在一些差异;比如,针对包括的是较粗的山脊的训练山脉样本图片,则对应的山脊线数据较为密集;而针对包括的是较细的山脊的训练山脉样本图片,则对应的山脊线数据较为稀疏。
然后,电子设备可以将训练样本集中每一张训练山脉样本图片对应的山脊线数据和高度图数据进行配对,即:将一个训练山脉样本图片对应的山脊线数据和高度图数据配对为一个训练山脉样本图片对;如此,将所有的训练山脉样本图片配对完成后,生成样本图片对训练集,该样本图片对训练集包括多个训练山脉样本图片对。
接下来,基于生成的样本图片对训练集,电子设备可以利用该样本图片对训练集对游戏山脉创建模型进行训练,使得训练后的游戏山脉创建模型能够学习到山脊线数据与高度图数据之间的映射关系,直至该游戏山脉创建模型满足设定的收敛条件,保存此时游戏山脉创建模型的模型参数。
如此,针对上述训练完成的游戏山脉创建模型,可以将一绘制的山脊线图片数据输入该训练完成的游戏山脉创建模型,从而获得该训练完成的游戏山脉创建模型输出的高度图,进而利用该输出的高度图生成游戏地形。
其中,在一些可能的实施方式中,基于不同的模型的图片输入尺寸不同,电子设备可以保存有一预设的图片数据库,该预设的图片数据库中可以保存有不同图片尺寸规则的训练山脉样本图片。
基于此,电子设备在执行步骤201的过程中,则可以根据接收的图片尺寸规格,从该预设的图片数据库中筛选出满足接收的图片尺寸规格的所有训练山脉样本图片,并将筛选出的所有训练山脉样本图片作为训练样本集。
比如,假定该预设的图片数据库中包括有128*128、256*256、512*512、1024*1024四个尺寸的多个训练山脉样本图片,电子设备接收的图片尺寸规格为256*256,则电子设备可以将该预设的图片数据库中尺寸为256*256的所有训练山脉样本图片作为训练样本集。
如此,通过在预设的图片数据库中预先保存多个不同图片尺寸规格的训练山脉样本图片,从而结合接收的图片尺寸规格,在该预设的图片数据库中筛选出满足该接收的图片尺寸规格的所有训练山脉样本图片作为训练样本集,以提升针对不同输入尺寸需求的模型的适应能力。
可以理解的是,由于上述预设的图片数据库中需要保存大量的训练山脉样本图片,因此,可以采用一些实施方式,将大量的训练山脉样本图片预先保存在该预设的图片数据库中。
比如,在一些实施例中,在构建该预设的图片数据库的过程中,可以先从数据高程模型数据库中筛选出多张初始高度图;例如,可以采用卫星收集的全球DEM数据,使用WorldMachine等工具,结合配置的海拔信息筛选条件以及数据覆盖面积筛选条件对收集的全球DEM数据进行筛选,输出大量高精度的高度图数据,比如输出10000张8k(8192*8192分辨率)的高度图。
接下来,针对每一张初始高度图,将每一张初始高度图按照设定的多个尺寸规格分割出多个图片,并按照每一个尺寸规格将分割出的所有图片分类保存在预设的图片数据库中。比如,参照上述示例,该设定的多个尺寸规格可以为上述示例的128*128、256*256、512*512、1024*1024四个尺寸,针对每一张初始高度图,均可以按照128*128、256*256、512*512、1024*1024四个尺寸进行分割,并将分割后的图片保存在各个尺寸对应的文件夹中,进而通过将各个尺寸对应的文件夹保存在该预设的图片数据库的方式,将分割后的图片保存在该预设的图片数据库中。
值得说明的是,在一些可能的实施方式中,在对初始高度图进行分割后,由于分割得到的图片中可能不包含有山脊信息,因此,在构建该预设的图片数据库的过程中,针对分割出的所有图片,还可以对丢失有效信息的图片进行过滤,比如将山脊信息作为过滤条件,将不包含有山脊信息的图片进行滤除。
另外,在一些实施例中,上述的游戏山脉创建模型可以基于生成对抗网络创建,其中,该游戏山脉创建模型可以包括生成器神经网络以及判别器神经网络。示例性地,在一些可能的实施方式中,生成器神经网络可以采用U-Net网络结构进行构建,判别器神经网络可以采用Patch-D网络结构进行构建。
基于此,电子设备在执行步骤207对该游戏山脉创建模型进行训练的过程中,可以先将每一个训练山脉样本图片对中的山脊线数据输入生成器神经网络,得到每一个训练山脉样本图片对各自所对应的参考高度图数据,即:先由生成器神经网络利用山脊线数据生成一个“假的”高度图数据。
然后,将每一个训练山脉样本图片对各自所对应的高度图数据以及参考高度图数据输入判别器神经网络,并获得高度图数据以及参考高度图数据各自对应的高度图判别向量和参考高度图判别向量,即:由判别器神经网络对“假的”高度图数据和训练山脉样本图片对中“真的”高度图数据分别进行处理,得到两者各自对应的向量。
接下来,基于每一个训练山脉样本图片对各自所对应的高度图判别向量和参考高度图判别向量,分别传入生成器的损失函数以及判别器的损失函数,从而分别计算出生成器和判别器各自的损失值,然后通过例如Adam(Adaptive Moment Estimation)等算法分别对生成器神经网络以及判别器神经网络的模型参数进行更新,直至生成器神经网络以及判别器神经网络的模型收敛(比如已经经过400次的参数迭代),最终使生成器神经网络不断生成以假乱真的高度图数据,使判别器无法分辨出“假的”高度图数据和“真的”高度图数据。
其中,可以理解的是,在一些可能的实施方式中,在将样本图片对训练集中的多个训练山脉样本图片输入至该游戏山脉创建模型进行训练的过程中,可以按照该游戏山脉创建模型的批尺寸,将样本图片对训练集中所有训练山脉样本图片均分为多个训练数据包,每个训练数据包中包括有相同数量的训练山脉样本图片。
另外,在对该游戏山脉创建模型进行训练的过程中,当该游戏山脉创建模型未达到设定的收敛条件(比如上述的参数迭代次数未达到400次),则在下一次对该游戏山脉创建模型进行训练的过程中,可以对样本图片对训练集中的多个训练山脉样本图片对各自的排列顺序进行调整后,继续对游戏山脉创建模型进行训练,从而确保每一次对该游戏山脉创建模型进行训练的数据各不相同,增加训练的稳定性。
并且,在一些实施例中,在生成样本图片对训练集的过程中,还可以生成一样本图片对验证集,该样本图片对测试集可以包括有多个测试山脉样本图片对;在对游戏山脉创建模型进行训练的过程中,可以按照一定的步长次数,保存游戏山脉创建模型的模型参数,比如,可以每训练20次即保存该游戏山脉创建模型的模型参数;如此,当训练收敛后,电子设备可以基于所有保存的模型参数,将对应的损失函数曲线最稳定的模型参数作为该游戏山脉创建模型的目标参数,然后针对配置有目标参数的游戏山脉创建模型,利用该样本图片对测试集中的多个测试山脉样本图片对对该游戏山脉创建模型进行测试验证。
另外,在利用本申请提供的上述训练方法对游戏山脉创建模型训练完成后,则可以利用该训练完成的游戏山脉创建模型进行游戏地形的创建。
下面以图1所示的电子设备100作为示例性执行主体,对本申请听过的游戏山脉地形创建方法进行示意性说明。
需要说明的是,在一些实施例中,执行本申请提供的游戏山脉地形创建方法,与执行本申请提供的游戏山脉创建模型的训练方法的电子设备可以为相同的设备,也可以是不同的设备,本申请对此不进行限定。
示例性地,请参阅图3,图3示出本申请提供的游戏山脉地形创建方法的一种示例性流程图,该游戏山脉地形创建方法可以包括以下步骤:
步骤301,获得目标山脊线数据。
步骤303,将目标山脊线数据输入至预先训练完成的游戏山脉创建模型,并获得游戏山脉创建模型输出的地形高度图数据。
步骤305,将地形高度图数据输入游戏引擎,并获得游戏引擎输出的游戏山脉地形数据。
在一些实施例中,电子设备可以保存有一游戏山脉创建模型,该游戏山脉创建模型可以采用例如上述的游戏山脉创建模型的训练方法训练完成。
基于此,电子设备在执行本申请提供的游戏山脉地形创建方法的过程中,可以由开发人员向电子设备输入一目标山脊线数据;然后,电子设备将该目标山脊线数据输入至该游戏山脉创建模型,从而由该游戏山脉创建模型基于学习到的山脊线与地形高度之间的映射关系,输出该目标山脊线数据对应的地形高度图数据。
接下来,电子设备可以将该地形高度图数据输入至游戏引擎进行渲染,从而获得该游戏引擎输出的游戏山脉地形数据。
如此,基于本申请提供的上述方案,在获取训练样本集之后,利用训练样本集中每一张训练山脉样本图片对应的高度图数据,生成每一张训练山脉样本图片对应的山脊线数据,从而将训练样本集中每一张训练山脉样本图片对应的高度图数据和山脊线数据配对,以生成样本图片对训练集后,利用样本图片对训练集对游戏山脉创建模型进行训练,直至该游戏山脉创建模型满足设定的收敛条件;如此,在创建游戏山脉地形数据的过程中,能够利用获得的山脊线数据,直接生成对应的游戏山脉地形数据,减少了人工操作的过程,提高了游戏山脉地形的生成效率。
另外,基于与本申请提供的上述游戏山脉创建模型的训练方法相同的发明构思,请参阅图4,图4示出本申请提供的游戏山脉创建模型的训练装置400的一种示意性结构框图,该游戏山脉创建模型的训练装置400可以包括第一处理模块401及训练模块402。
第一处理模块401,用于获取训练样本集;其中,训练样本集中包括多张训练山脉样本图片,以及每一张训练山脉样本图片对应的高度图数据;
第一处理模块401还用于,根据每一张训练山脉样本图片对应的高度图数据,生成每一张训练山脉样本图片对应的山脊线数据;
第一处理模块401还用于,将训练样本集中每一张训练山脉样本图片对应的山脊线数据和高度图数据进行配对,生成样本图片对训练集;其中,样本图片对训练集包括多个训练山脉样本图片对,每一个训练山脉样本图片对由一个训练山脉样本图片对应的山脊线数据和高度图数据组成;
训练模块402,用于利用样本图片对训练集对游戏山脉创建模型进行训练,直至游戏山脉创建模型满足设定的收敛条件。
可选地,在一些可能的实施方式中,游戏山脉创建模型基于生成对抗网络创建,游戏山脉创建模型包括生成器神经网络以及判别器神经网络;
训练模块402在利用样本图片对训练集对游戏山脉创建模型进行训练,直至游戏山脉创建模型满足设定的收敛条件时,具体用于:
将每一个训练山脉样本图片对中的山脊线数据输入生成器神经网络,得到每一个训练山脉样本图片对各自所对应的参考高度图数据;
将每一个训练山脉样本图片对各自所对应的高度图数据以及参考高度图数据输入判别器神经网络,并获得高度图数据以及参考高度图数据各自对应的高度图判别向量和参考高度图判别向量;
基于每一个训练山脉样本图片对各自所对应的高度图判别向量和参考高度图判别向量,分别对生成器神经网络以及判别器神经网络的模型参数进行更新,直至生成器神经网络以及判别器神经网络的模型收敛。
可选地,在一些可能的实施方式中,在对游戏山脉创建模型进行训练的过程中,当游戏山脉创建模型未达到设定的收敛条件,则训练模块402还用于:
对样本图片对训练集中的多个训练山脉样本图片对各自的排列顺序进行调整后,继续对游戏山脉创建模型进行训练。
可选地,在一些可能的实施方式中,第一处理模块401在获取训练样本集时,具体用于:
从预设的图片数据库中筛选出满足接收的图片尺寸规格的所有训练山脉样本图片,并将筛选出的所有训练山脉样本图片作为训练样本集。
可选地,在一些可能的实施方式中,预设的图片数据库采用以下方式构建:
从数据高程模型数据库中筛选出多张初始高度图;
将每一张初始高度图按照设定的多个尺寸规格分割出多个图片,并按照每一个尺寸规格将分割出的所有图片分类保存在预设的图片数据库中。
另外,基于与本申请提供的上述游戏山脉地形创建方法相同的发明构思,请参阅图5,图5示出本申请提供的游戏山脉地形创建装置500的一种示意性结构框图,该游戏山脉地形创建装置500可以包括第二处理模块501及地形生成模块502。
第二处理模块501,用于获得目标山脊线数据;
第二处理模块501还用于,将目标山脊线数据输入至预先训练完成的游戏山脉创建模型,并获得游戏山脉创建模型输出的地形高度图数据;其中,游戏山脉创建模型利用上述的游戏山脉创建模型的训练方法训练完成;
地形生成模块502,用于将地形高度图数据输入游戏引擎,并获得游戏引擎输出的游戏山脉地形数据。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的一些实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请的一些实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请的一些实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的部分实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种游戏山脉创建模型的训练方法,其特征在于,所述方法包括:
获取训练样本集;其中,所述训练样本集中包括多张训练山脉样本图片,以及每一张训练山脉样本图片对应的高度图数据;
根据每一张所述训练山脉样本图片对应的高度图数据,生成每一张所述训练山脉样本图片对应的山脊线数据;
将所述训练样本集中每一张训练山脉样本图片对应的山脊线数据和高度图数据进行配对,生成样本图片对训练集;其中,所述样本图片对训练集包括多个训练山脉样本图片对,每一个训练山脉样本图片对由一个训练山脉样本图片对应的山脊线数据和高度图数据组成;
利用所述样本图片对训练集对所述游戏山脉创建模型进行训练,直至所述游戏山脉创建模型满足设定的收敛条件。
2.如权利要求1所述的方法,其特征在于,所述游戏山脉创建模型基于生成对抗网络创建,所述游戏山脉创建模型包括生成器神经网络以及判别器神经网络;
所述利用所述样本图片对训练集对所述游戏山脉创建模型进行训练,直至所述游戏山脉创建模型满足设定的收敛条件,包括:
将每一个所述训练山脉样本图片对中的山脊线数据输入所述生成器神经网络,得到每一个所述训练山脉样本图片对各自所对应的参考高度图数据;
将每一个所述训练山脉样本图片对各自所对应的高度图数据以及参考高度图数据输入所述判别器神经网络,并获得所述高度图数据以及所述参考高度图数据各自对应的高度图判别向量和参考高度图判别向量;
基于每一个所述训练山脉样本图片对各自所对应的高度图判别向量和参考高度图判别向量,分别对所述生成器神经网络以及所述判别器神经网络的模型参数进行更新,直至所述生成器神经网络以及所述判别器神经网络的模型收敛。
3.如权利要求1所述的方法,其特征在于,在对所述游戏山脉创建模型进行训练的过程中,当所述游戏山脉创建模型未达到所述设定的收敛条件,则所述方法还包括:
对所述样本图片对训练集中的多个训练山脉样本图片对各自的排列顺序进行调整后,继续对所述游戏山脉创建模型进行训练。
4.如权利要求1所述的方法,其特征在于,所述获取训练样本集,包括:
从预设的图片数据库中筛选出满足接收的图片尺寸规格的所有训练山脉样本图片,并将筛选出的所有训练山脉样本图片作为训练样本集。
5.如权利要求4所述的方法,其特征在于,所述预设的图片数据库采用以下方式构建:
从数据高程模型数据库中筛选出多张初始高度图;
将每一张初始高度图按照设定的多个尺寸规格分割出多个图片,并按照每一个尺寸规格将分割出的所有图片分类保存在预设的图片数据库中。
6.一种游戏山脉地形创建方法,其特征在于,所述方法包括:
获得目标山脊线数据;
将所述目标山脊线数据输入至预先训练完成的游戏山脉创建模型,并获得所述游戏山脉创建模型输出的地形高度图数据;其中,所述游戏山脉创建模型利用如权利要求1-5中任一项所述的游戏山脉创建模型的训练方法训练完成;
将所述地形高度图数据输入游戏引擎,并获得所述游戏引擎输出的游戏山脉地形数据。
7.一种游戏山脉创建模型的训练装置,其特征在于,所述装置包括:
第一处理模块,用于获取训练样本集;其中,所述训练样本集中包括多张训练山脉样本图片,以及每一张训练山脉样本图片对应的高度图数据;
所述第一处理模块还用于,根据每一张所述训练山脉样本图片对应的高度图数据,生成每一张所述训练山脉样本图片对应的山脊线数据;
所述第一处理模块还用于,将所述训练样本集中每一张训练山脉样本图片对应的山脊线数据和高度图数据进行配对,生成样本图片对训练集;其中,所述样本图片对训练集包括多个训练山脉样本图片对,每一个训练山脉样本图片对由一个训练山脉样本图片对应的山脊线数据和高度图数据组成;
训练模块,用于利用所述样本图片对训练集对所述游戏山脉创建模型进行训练,直至所述游戏山脉创建模型满足设定的收敛条件。
8.一种游戏山脉地形创建装置,其特征在于,所述装置包括:
第二处理模块,用于获得目标山脊线数据;
所述第二处理模块还用于,将所述目标山脊线数据输入至预先训练完成的游戏山脉创建模型,并获得所述游戏山脉创建模型输出的地形高度图数据;其中,所述游戏山脉创建模型利用如权利要求1-5中任一项所述的游戏山脉创建模型的训练方法训练完成;
地形生成模块,用于将所述地形高度图数据输入游戏引擎,并获得所述游戏引擎输出的游戏山脉地形数据。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011579146.8A CN112686996A (zh) | 2020-12-28 | 2020-12-28 | 游戏山脉地形创建方法、模型训练方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011579146.8A CN112686996A (zh) | 2020-12-28 | 2020-12-28 | 游戏山脉地形创建方法、模型训练方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686996A true CN112686996A (zh) | 2021-04-20 |
Family
ID=75452628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011579146.8A Pending CN112686996A (zh) | 2020-12-28 | 2020-12-28 | 游戏山脉地形创建方法、模型训练方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686996A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119925A (zh) * | 2021-11-30 | 2022-03-01 | 完美世界(北京)软件科技发展有限公司 | 游戏图像的建模方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658508A (zh) * | 2018-11-28 | 2019-04-19 | 华东师范大学 | 一种多尺度细节融合的地形合成方法 |
US20190332898A1 (en) * | 2018-04-26 | 2019-10-31 | Canon Kabushiki Kaisha | Information processing apparatus for training neural network for recognition task and method thereof |
CN111210517A (zh) * | 2020-01-09 | 2020-05-29 | 浙江大学 | 一种基于神经网络的多风格地形的生成方法 |
CN111612708A (zh) * | 2020-05-06 | 2020-09-01 | 长沙理工大学 | 一种基于对抗生成网络的图像修复方法 |
-
2020
- 2020-12-28 CN CN202011579146.8A patent/CN112686996A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190332898A1 (en) * | 2018-04-26 | 2019-10-31 | Canon Kabushiki Kaisha | Information processing apparatus for training neural network for recognition task and method thereof |
CN109658508A (zh) * | 2018-11-28 | 2019-04-19 | 华东师范大学 | 一种多尺度细节融合的地形合成方法 |
CN111210517A (zh) * | 2020-01-09 | 2020-05-29 | 浙江大学 | 一种基于神经网络的多风格地形的生成方法 |
CN111612708A (zh) * | 2020-05-06 | 2020-09-01 | 长沙理工大学 | 一种基于对抗生成网络的图像修复方法 |
Non-Patent Citations (2)
Title |
---|
J. VILORIA等: "Digital modelling of landscape and soil in a mountainous region: A neuro-fuzzy approach", 《ENVIRONMENTAL SCIENCE, GEOGRAPHY, COMPUTER SCIENCE GEOMORPHOLOGY》, vol. 253, 15 January 2016 (2016-01-15), pages 199 - 207, XP029336745, DOI: 10.1016/j.geomorph.2015.10.007 * |
周家炜: "基于深度学习的多类型三维地形生成技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 8, 15 August 2020 (2020-08-15), pages 138 - 616 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119925A (zh) * | 2021-11-30 | 2022-03-01 | 完美世界(北京)软件科技发展有限公司 | 游戏图像的建模方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694401B (zh) | 目标检测方法、装置及系统 | |
CN110766096A (zh) | 视频分类方法、装置及电子设备 | |
CN113822314B (zh) | 图像数据处理方法、装置、设备以及介质 | |
CN111275784B (zh) | 生成图像的方法和装置 | |
CN109685121A (zh) | 图像检索模型的训练方法、图像检索方法、计算机设备 | |
CN112215248A (zh) | 深度学习模型训练方法、装置、电子设备及存储介质 | |
CN108876847B (zh) | 图像定位方法、装置、系统和存储介质 | |
CN105653689A (zh) | 一种用户传播影响力的确定方法和装置 | |
CN112232171B (zh) | 基于随机森林的遥感影像信息提取方法、装置及存储介质 | |
CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN112686996A (zh) | 游戏山脉地形创建方法、模型训练方法及相关装置 | |
CN108986210B (zh) | 三维场景重建的方法和设备 | |
CN114529687A (zh) | 图像重建方法、装置、电子设备及计算机可读存储介质 | |
US20190172226A1 (en) | System and method for generating training images | |
CN114202457A (zh) | 低分辨率图像的处理方法、电子设备及计算机程序产品 | |
CN113657389A (zh) | 一种软件定义卫星语义分割方法、装置和介质 | |
CN116758214A (zh) | 遥感图像的三维建模方法、装置、电子设备及存储介质 | |
CN108876853B (zh) | 图像定位方法、装置、系统和存储介质 | |
CN111461091B (zh) | 万能指纹生成方法和装置、存储介质及电子装置 | |
CN112766481B (zh) | 神经网络模型的训练方法、装置及图像检测的方法 | |
CN113793295A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN112733686A (zh) | 用于云联邦的图像中的目标物识别方法及装置 | |
CN110008967A (zh) | 一种融合结构和语义模态的行为表征方法和系统 | |
CN111047690B (zh) | 模型构建方法和装置、存储介质和电子装置 | |
CN118069858A (zh) | 一种知识图谱可视化方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |