眾所周知，達芬奇的一些畫作以鳥的視角，展示了意大利的某些區(qū)域，其詳細程度在當時無與倫比——似乎只有照相機和飛機出現(xiàn)后才有可能。很多人都感到奇怪，他是怎么想象出那些細節(jié)的？但現(xiàn)在，研究人員正致力于解決一個“逆向”問題：如果給出一幅地表的衛(wèi)星圖像，那么從地面上看那個地區(qū)是什么樣子的？這樣的人工圖像能有多清晰？

現(xiàn)在，加州大學默塞德分校的鄧學清（Xueqing Deng，音譯）和他的同事為我們提供了答案。他們訓練一個機器學習算法，通過分析衛(wèi)星俯瞰圖像，來生成地面視角圖像。

這項技術是基于機器智能的一種形式，名為生成式對抗網(wǎng)絡，由兩個神經(jīng)網(wǎng)絡組成，分別是生成器和判別器。

判別器根據(jù)某些習得的標準，比如與長頸鹿有多相像，對生成器生成的圖像進行評估。通過使用判別器的輸出數(shù)據(jù)，生成器逐漸學會生成形似長頸鹿的圖像。

在研究中，鄧學清團隊利用地面真實圖像和該地區(qū)衛(wèi)星圖像來訓練判別器。這樣一來，判別器就可以學會如何將地面視角圖像和俯瞰圖像聯(lián)系起來。

當然，數(shù)據(jù)集的質(zhì)量非常重要。研究人員把LCM2015地面覆蓋圖作為地面真實圖像。LCM2015提供了整個英國的土地類別，分辨率為1公里。不過，研究人員把數(shù)據(jù)限制在71x71公里的網(wǎng)格，包括倫敦和周邊地區(qū)。對于網(wǎng)格中的每個地點，他們從在線數(shù)據(jù)庫Geograph下載了地面視角圖像。

然后，研究人員用1.6萬組兩兩對應的俯瞰圖像和地面視角圖像來訓練判別器。

下一步是開始生成地面視角圖像。把4,000幅特定地點的衛(wèi)星圖像輸入生成器，利用判別器的反饋，生成每個地點的地面視角圖像。研究人員用4,000幅俯瞰圖像進行系統(tǒng)測試，與地面真實圖像相比較。

結果非常有意思。系統(tǒng)根據(jù)俯瞰圖像生成的圖像貼近實際，只不過質(zhì)量較低。生成的圖像捕捉到了地面的基本特征，比如是否有道路，是農(nóng)村還是城市等等。“生成的地面視角圖像看起來自然，但不出所料，它們?nèi)狈φ鎸崍D像的那種細節(jié)?！编噷W清團隊說。

這項技術很巧妙，但用處有多大？地理學家的一個重要任務，是根據(jù)用途對土地進行分類，比如是農(nóng)村還是城市。

地面視角圖像對此至關重要。然而，現(xiàn)有的地圖往往是稀疏的，尤其是農(nóng)村地區(qū)。因此，地理學家不得不在圖像之間進行插入補全，這個過程只比瞎猜要好一點。

現(xiàn)在，鄧學清團隊的生成式對抗網(wǎng)絡，提供了一個確定土地用途的全新方法。地理學家如果想知道任何地點的地面視角圖像，只需要使用這個神經(jīng)網(wǎng)絡，根據(jù)衛(wèi)星圖像來創(chuàng)建地面視角圖像。

鄧學清團隊甚至對插入補全和圖像生成進行了比較。結果顯示，在確定土地用途時，圖像生成技術的準確率為73%，而插入補全方法的準確率只有65%。

這項有趣的技術可以使地理學家的工作變得更加簡單。但鄧學清團隊有更大的野心。他們希望改進圖像生成過程，生成更加精細的地面視角圖像。達芬奇肯定會對此佩服不已。

翻譯：于波

校對：李莉

編輯：穎仔

來源：Technology Review

造就：劇院式的線下演講平臺，發(fā)現(xiàn)最有創(chuàng)造力的思想