馮乾泰， 楊 猛， 付 慧

(北京林業(yè)大學(xué)信息學(xué)院，北京 100083)

隨著計(jì)算機(jī)軟硬件技術(shù)的迅猛發(fā)展，計(jì)算機(jī)圖形技術(shù)也得到了快速地發(fā)展，近幾年在自然景物模擬方面取得了重大進(jìn)展，基于數(shù)學(xué)方法的仿真和模擬方法成為主流。

同時(shí)，隨著計(jì)算機(jī)硬件性能的提升，人工智能技術(shù)的廣泛普及和應(yīng)用，使得以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)技術(shù)也呈現(xiàn)出爆發(fā)式的發(fā)展，并廣泛應(yīng)用于金融、娛樂(lè)、醫(yī)學(xué)、交通等領(lǐng)域。深度學(xué)習(xí)在虛擬仿真中也有所應(yīng)用，其能否學(xué)習(xí)分析自然景象并生成近似自然現(xiàn)象的數(shù)據(jù)成為一個(gè)需探索的問(wèn)題。

利用計(jì)算機(jī)圖形學(xué)技術(shù)對(duì)樹(shù)葉飄落的自然景象進(jìn)行仿真模擬，可以在動(dòng)畫(huà)和游戲場(chǎng)景中對(duì)周邊環(huán)境進(jìn)行渲染以烘托情節(jié)使用，同時(shí)也可在植物學(xué)、園林等領(lǐng)域的研究與教學(xué)工作中發(fā)揮舉足輕重的作用。

但傳統(tǒng)的對(duì)樹(shù)葉飄落等自然現(xiàn)象的模擬方法大多是基于數(shù)學(xué)或數(shù)學(xué)方法，對(duì)機(jī)器配置及性能要求較高，難以滿(mǎn)足大規(guī)模以及移動(dòng)端的渲染要求，同時(shí)與真實(shí)環(huán)境中樹(shù)葉飄落的效果相比仍有一定的差異，傳統(tǒng)方法的不足顯而易見(jiàn)。因此需要積極尋求新的方法，當(dāng)下已有從主機(jī)端向移動(dòng)端遷移的應(yīng)用趨勢(shì)，其可減少渲染對(duì)設(shè)備性能產(chǎn)生的負(fù)荷。

為此，本文提出一種雙通道對(duì)抗式生成網(wǎng)絡(luò)的生成模型(double-channel auxiliary classifier generative adversarial networks，DACGAN)，用于學(xué)習(xí)和生成樹(shù)葉飄落的數(shù)據(jù)。為虛擬現(xiàn)實(shí)領(lǐng)域中樹(shù)葉飄落模擬提供一個(gè)新的思路。算法如圖1所示，模型通過(guò)一組服從正態(tài)分布的隨機(jī)噪聲和人工標(biāo)簽向量的輸入(風(fēng)力級(jí)別、擾動(dòng)級(jí)別等)，能夠輸出任意數(shù)量符合標(biāo)簽的飄落數(shù)據(jù)序列，并輸入到渲染環(huán)境中進(jìn)行繪制。

圖1 算法示例

本文的主要貢獻(xiàn)為：①提出一種基于數(shù)學(xué)模型的仿真數(shù)據(jù)集生成算法及相應(yīng)數(shù)據(jù)處理算法；②針對(duì)樹(shù)葉飄落產(chǎn)生的雙通道序列數(shù)據(jù)，提出一種DACGAN模型。

1 相關(guān)工作

1.1 樹(shù)葉飄落模擬

樹(shù)葉飄落的動(dòng)態(tài)模擬屬于對(duì)自然場(chǎng)景及景象的模擬，國(guó)內(nèi)外已有一些針對(duì)性研究。

文獻(xiàn)[1]提供了一個(gè)樹(shù)葉運(yùn)動(dòng)的模型，并將樹(shù)葉分為可運(yùn)動(dòng)的和不可運(yùn)動(dòng)2種。其中可運(yùn)動(dòng)的樹(shù)葉又被分成葉柄旋轉(zhuǎn)和葉面旋轉(zhuǎn)2部分，最終的運(yùn)動(dòng)為 2部分的疊加。通過(guò)簡(jiǎn)單的動(dòng)力學(xué)且忽略葉片彎曲等特殊情況，實(shí)現(xiàn)樹(shù)葉的旋轉(zhuǎn)和飄落效果。文獻(xiàn)[2]探討了樹(shù)葉的幾何模型并通過(guò)噪聲的方法來(lái)模擬樹(shù)葉的自然運(yùn)動(dòng)。

文獻(xiàn)[3]提出了Omni-AD模型，構(gòu)建了一個(gè)新型的、利用數(shù)據(jù)驅(qū)動(dòng)的、關(guān)于三維剛體對(duì)象的空氣動(dòng)力學(xué)模型，可以實(shí)時(shí)交互性模擬剛體運(yùn)動(dòng)。文獻(xiàn)[4]提出一種現(xiàn)象學(xué)方法，在薄盤(pán)上施加力和力矩然后通過(guò)四階Runge-Kutta方法來(lái)計(jì)算薄盤(pán)的運(yùn)動(dòng)狀態(tài)，但該方法僅限于2個(gè)維度。

文獻(xiàn)[5]基于文獻(xiàn)[4]的現(xiàn)象學(xué)方法提出了樹(shù)葉飄落數(shù)學(xué)模型，并實(shí)現(xiàn)了三維空間中的樹(shù)葉飄落。該方法的視覺(jué)效果具有較強(qiáng)的真實(shí)性。

當(dāng)下樹(shù)葉飄落的模擬研究仍以基于數(shù)學(xué)方法以及參數(shù)控制的數(shù)學(xué)模型為主，該方法存在2個(gè)問(wèn)題：①對(duì)算法的要求較高，如果算法不能滿(mǎn)足仿真需求，則生成的路徑可能缺乏真實(shí)性。如果算法的仿真度較高，則會(huì)增加對(duì)設(shè)備性能的要求；②相對(duì)于真實(shí)樹(shù)葉飄落場(chǎng)景，通過(guò)建立數(shù)學(xué)模型進(jìn)行模擬的真實(shí)性有待確認(rèn)?！笆澜缟蠜](méi)有兩片完全相同的樹(shù)葉”，樹(shù)葉飄落的軌跡也是一樣。通過(guò)數(shù)學(xué)模型控制飄落的方法能否具有真實(shí)感、隨機(jī)感和美感仍是一個(gè)問(wèn)題。

1.2 生成式對(duì)抗網(wǎng)絡(luò)

文獻(xiàn)[6]提出了一個(gè)生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，GAN)。該方法通過(guò)不斷改進(jìn)和完善，在圖像生成、風(fēng)格遷移等領(lǐng)域具有良好地應(yīng)用前景。

文獻(xiàn)[7]提出一個(gè)無(wú)監(jiān)督深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional generative adversarial networks，DCGAN)模型，能夠提升GAN對(duì)圖片的學(xué)習(xí)和生成效果。文獻(xiàn)[8]提出了Conditional GAN (CGAN)模型，可通過(guò)標(biāo)簽來(lái)控制GAN的輸出，該方法相對(duì)于無(wú)標(biāo)簽訓(xùn)練的傳統(tǒng)模型，可以使GAN提供更多的控制效果。

文獻(xiàn)[9]在判別器中添加輔助分類(lèi)器來(lái)進(jìn)行帶條件的圖片合成算法。算法將數(shù)據(jù)的標(biāo)簽和數(shù)據(jù)一起作為模型的輸入，使生成的數(shù)據(jù)具有多樣性。通過(guò)對(duì)傳統(tǒng)生成對(duì)抗模型的修改和提升，相對(duì)于CGAN有更強(qiáng)的魯棒性。

2 數(shù)據(jù)采集

2.1 仿真數(shù)據(jù)

對(duì)于深度學(xué)習(xí)而言，好的輸入代表好的輸出。所使用的深度攝像機(jī)以及跟蹤算法精度越高，獲取樹(shù)葉飄落的三維信息質(zhì)量越好，模型訓(xùn)練后的輸出結(jié)果就越接近真實(shí)。但由于時(shí)間和實(shí)驗(yàn)設(shè)備的限制，暫時(shí)使用基于數(shù)學(xué)模型合成的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練及測(cè)試。若有好的學(xué)習(xí)效果，可保證實(shí)驗(yàn)獲取的數(shù)據(jù)能夠達(dá)到理想預(yù)期。另外，選取理想的仿真模型后，參考文獻(xiàn)[10]的方法，將同時(shí)利用仿真數(shù)據(jù)和真實(shí)數(shù)據(jù)，減少訓(xùn)練人工標(biāo)注的麻煩。

樹(shù)葉飄落具有豐富的特性，如旋轉(zhuǎn)、抖動(dòng)、隨機(jī)效果、速度突變等。選取一個(gè)仿真度較高的模型來(lái)生成數(shù)據(jù)至關(guān)重要。

本文采用基于文獻(xiàn)[5]提出的樹(shù)葉飄落數(shù)學(xué)模型進(jìn)行模擬并采集數(shù)據(jù)。當(dāng)樹(shù)葉所受風(fēng)力和力矩超過(guò)人為設(shè)定的閾值后，樹(shù)葉將進(jìn)行飄落。風(fēng)對(duì)樹(shù)葉產(chǎn)生的力fwind和力矩τwind可表示為

其中，vrel=vwing-vleaf，vwing為風(fēng)力，vleaf為樹(shù)葉剛體質(zhì)心的速度；vrel,n=(vrel·n)n，vrel,t=vrel-vrel,n，n為樹(shù)葉的法向；ρ為空氣密度；kl為比例因子；At為葉子代表的區(qū)域三角形；m為葉子質(zhì)量；v為一個(gè)空氣阻力乘數(shù)；ξ為正常阻力系數(shù)與切向阻力系數(shù)；φ(非零)為一個(gè)方位偏移使樹(shù)葉產(chǎn)生三維旋轉(zhuǎn)運(yùn)動(dòng)；frandom和τrandom為本文增加的矢量，分別是人為設(shè)置的隨機(jī)力和力矩，在一個(gè)隨機(jī)范圍取值，不同的風(fēng)力下設(shè)置不同的隨機(jī)范圍。既能驗(yàn)證不同條件下模型對(duì)標(biāo)簽的學(xué)習(xí)能力，也能增強(qiáng)樹(shù)葉飄落的隨機(jī)效果。

2.2 數(shù)據(jù)處理

選定數(shù)學(xué)模型后，如何采集需要的數(shù)據(jù)使模型訓(xùn)練達(dá)到最優(yōu)的效果，同時(shí)適應(yīng)真實(shí)環(huán)境中采集到的數(shù)據(jù)成為關(guān)鍵的問(wèn)題。為此，本文提出一套針對(duì)樹(shù)葉飄落數(shù)據(jù)采集的流程算法(圖2)。

圖2 數(shù)據(jù)處理流程

首先需要確定采集的數(shù)據(jù)Ds。Ds是仿真實(shí)驗(yàn)中若干樹(shù)葉飄落數(shù)據(jù)L0，L1，L2，L3，···的集合。

而對(duì)于任意一條樹(shù)葉飄落的數(shù)據(jù)Ln，可將樹(shù)葉視作剛體，即在飄落過(guò)程中樹(shù)葉不發(fā)生彎曲，則由完整飄落過(guò)程中樹(shù)葉剛體質(zhì)心位置P以及旋轉(zhuǎn)角R序列組成。

圖3為三維環(huán)境，在t時(shí)刻，由6元時(shí)間序列表示的樹(shù)葉運(yùn)動(dòng)信息(xt，yt，zt，αt，βt，γt)，其中位置Pt可用(xt，yt，zt) 3個(gè)變量表示；而旋轉(zhuǎn)角Rt則由(αt，βt，γt)表示。

圖3 樹(shù)葉飄落序列參數(shù)

所以，在仿真數(shù)據(jù)獲取中，采集樹(shù)葉飄落過(guò)程中產(chǎn)生的 6 元時(shí)間序列(xt，yt，zt，αt，βt，γt)即可。

在獲取仿真數(shù)據(jù)Ds后，需將經(jīng)過(guò)數(shù)據(jù)處理得到的Dinput輸入到DACGAN中。數(shù)據(jù)處理采用“先間隔，后插值”的方法，可在一定程度上解決現(xiàn)實(shí)中由于設(shè)備和跟蹤算法不精確導(dǎo)致的抖動(dòng)漂移產(chǎn)生的三維信息?！跋乳g隔”如算法1所示，訓(xùn)練前對(duì)數(shù)據(jù)Ds采取間隔方式取值；“后插值”如算法 2所示，在訓(xùn)練后輸入到三維環(huán)境渲染之前對(duì)Doutput按需求插值。另外，訓(xùn)練后數(shù)據(jù)處理算法應(yīng)在模型訓(xùn)練前對(duì)數(shù)據(jù)進(jìn)行規(guī)范化，其有助于模型的訓(xùn)練。

算法1

輸入：仿真數(shù)據(jù)Ds。

輸出：預(yù)處理后的數(shù)據(jù)Dinput。

步驟1.讀入數(shù)據(jù)Ds。

步驟 2.在 6 元時(shí)間序列(xt，yt，zt，αt，βt，γt)中人工設(shè)定間隔i，獲取間隔數(shù)據(jù)。

步驟3.將間隔數(shù)據(jù)進(jìn)行z-score規(guī)范化，生成數(shù)據(jù)Dinput。

算法2

輸入：生成數(shù)據(jù)Doutput。

輸出：預(yù)處理后的數(shù)據(jù)D。

步驟1.讀入數(shù)據(jù)Doutput。

步驟2.對(duì)Doutput進(jìn)行逆規(guī)范化。

步驟3.將逆規(guī)范化后的數(shù)據(jù)的路徑和旋轉(zhuǎn)數(shù)據(jù)分別進(jìn)行B-spline插值和線(xiàn)性插值。

步驟4.進(jìn)行可視化。對(duì)視覺(jué)上不合理的數(shù)據(jù)進(jìn)行刪除，獲得篩選后的數(shù)據(jù)D。

3 生成式對(duì)抗網(wǎng)絡(luò)

3.1 生成式對(duì)抗網(wǎng)絡(luò)(GAN)

文獻(xiàn)[6]提出的對(duì)抗式生成網(wǎng)絡(luò)(Vanilla GAN)是非常神奇且迷人的一種生成模型。其能夠?qū)W習(xí)一組數(shù)據(jù)分布，并生成近似于該分布的數(shù)據(jù)。該模型在圖像生成方面已經(jīng)有許多的研究和應(yīng)用。GAN蘊(yùn)涵著一種“零和博弈”的理論：通過(guò)生成器和判別器之間的對(duì)抗，提升兩者的性能，最后使生成器生成的數(shù)據(jù)可以“以假亂真”，且逼近真實(shí)數(shù)據(jù)。

Vanilla GAN同時(shí)訓(xùn)練2個(gè)模型。生成模型G可產(chǎn)生數(shù)據(jù)分布，判別模型D可對(duì)數(shù)據(jù)分布與真實(shí)數(shù)據(jù)分布進(jìn)行判斷。兩者分別對(duì)結(jié)果進(jìn)行極大極小化。生成模型和判別模型進(jìn)行博弈，最終達(dá)到理論所支持的納什均衡。該模型的出現(xiàn)為機(jī)器學(xué)習(xí)提出了一種新的可能，基于該模型產(chǎn)生了越來(lái)越多針對(duì)不同任務(wù)的變體，模型的性能被不斷優(yōu)化。GAN的最終目標(biāo)為優(yōu)化最大最小公式，即

其中，z為輸入生成器的噪聲；G(z)為生成器生成的數(shù)據(jù)；x為真實(shí)數(shù)據(jù)。

3.2 雙通道對(duì)抗生成網(wǎng)絡(luò)(DACGAN)

Vanilla GAN是針對(duì)圖片進(jìn)行生成，生成器G和判別器D都是基于二維卷積進(jìn)行模型搭建。本文研究在樹(shù)葉飄落的生成中，輸入和輸出均是一組6元時(shí)間序列。針對(duì)序列的學(xué)習(xí)和生成有卷積、RNN以及 LSTM[11]方法。本文采用一維卷積進(jìn)行模型的搭建，如圖4所示。

圖4 DACGAN結(jié)構(gòu)

為了能夠控制生成器的輸出，本文參考ACGAN模型，在D的輸出部分添加一個(gè)輔助的分類(lèi)器以提高GAN的性能。生成器G在輸入一組噪聲時(shí)，還輸入一組標(biāo)簽向量，該向量表示生成數(shù)據(jù)的屬性，如風(fēng)力大小等，并輸出包含位移與旋轉(zhuǎn)的6D姿態(tài)數(shù)據(jù)。而判別器不僅要判斷數(shù)據(jù)是否為真，同時(shí)需要判斷數(shù)據(jù)的標(biāo)簽并進(jìn)行分類(lèi)。以此控制模型的輸出，在風(fēng)力、風(fēng)向等不同的條件下通過(guò)不同標(biāo)簽的輸入讓模型生成所期望的數(shù)據(jù)。相對(duì)于根據(jù)噪聲向量隨機(jī)輸出，本文算法具有更好地控制效果，更適應(yīng)樹(shù)葉飄落的實(shí)際應(yīng)用要求。

DACGAN的生成器G使用一維卷積替代ACGAN中的二維卷積，并通過(guò)一個(gè)數(shù)字標(biāo)簽來(lái)表示風(fēng)力的大小。另外，G與D均使用LeakyReLU[12]作為激活函數(shù)。模型的目標(biāo)函數(shù)為

其中，判別器D的訓(xùn)練使LS+LC最大化，生成器G的訓(xùn)練使LC-LS最大化。

同時(shí)有別于傳統(tǒng)圖像單通道二維卷積生成的方法，對(duì)于樹(shù)葉飄落數(shù)據(jù)的學(xué)習(xí)，還借鑒了文獻(xiàn)[14]中提出到的模型，即生成器G采用雙通道的方法學(xué)習(xí)多元信息，對(duì)路徑和旋轉(zhuǎn)數(shù)據(jù)分別建立一個(gè)對(duì)稱(chēng)的通道進(jìn)行訓(xùn)練；而在判別器D的隱藏層中采用雙向LSTM來(lái)學(xué)習(xí)拼接后的路徑和旋轉(zhuǎn)信息。經(jīng)生成效果證明，該方法相對(duì)于單純的深度一維卷積的方法學(xué)習(xí)和生成的效果更好，生成的路徑數(shù)據(jù)點(diǎn)更加穩(wěn)定和連貫。

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在Windows 10下搭建見(jiàn)表1，設(shè)備使用了64位Intel六代i5處理器，GTX1060 3G圖形處理器，8 GB運(yùn)行內(nèi)存。使用Visual Studio 2017進(jìn)行Unity3D接口編程、數(shù)據(jù)處理以及模型構(gòu)建編程。

表1 實(shí)驗(yàn)環(huán)境

三維渲染測(cè)試平臺(tái)為Unity3D，用于仿真數(shù)據(jù)制作以及模型數(shù)據(jù)生成效果展示；并使用了免費(fèi)資源包Hand Painted Nature Kit Lite進(jìn)行效果展示的場(chǎng)景搭建。場(chǎng)景的頂點(diǎn)數(shù)為484.3 k，面片數(shù)為460.3 k；樹(shù)葉模型頂點(diǎn)數(shù)為 2.1 k，面片數(shù)為 2.0 k；模型DACGAN由基于深度學(xué)習(xí)庫(kù)Tensorflow的高級(jí)學(xué)習(xí)框架Keras搭建。

4.2 實(shí)驗(yàn)過(guò)程

本次實(shí)驗(yàn)生成的數(shù)據(jù)來(lái)源于在 Unity3D中進(jìn)行數(shù)學(xué)模型的搭建并生成仿真的數(shù)據(jù)。本文實(shí)驗(yàn)試圖生成3類(lèi)數(shù)據(jù)并使用DACGAN進(jìn)行學(xué)習(xí)，并觀察學(xué)習(xí)效果。實(shí)驗(yàn)生成條件為：強(qiáng)風(fēng)、中風(fēng)、弱風(fēng)。數(shù)學(xué)模型的參數(shù)見(jiàn)表2。風(fēng)力越強(qiáng)，風(fēng)速越高。通過(guò)設(shè)置3檔位的風(fēng)速來(lái)模擬3種風(fēng)力大小，分別對(duì)應(yīng)數(shù)字0，1，2作為標(biāo)簽輸入到DACGAN中。另外，一個(gè)樹(shù)葉飄落路徑共記錄360幀的序列數(shù)據(jù)。

表2 數(shù)學(xué)模型參數(shù)

在 Unity3D 中，數(shù)據(jù)(xt，yt，zt)對(duì)應(yīng)transform.position 屬 性 ， (αt，βt，γt) 對(duì) 應(yīng)transform.eulerAngles屬性；強(qiáng)風(fēng)、中風(fēng)、弱風(fēng)的條件則分別設(shè)置不同范圍的隨機(jī)擾動(dòng)變量frandom與τrandom，讓樹(shù)葉飄落效果在視覺(jué)上產(chǎn)生層次差異即可。

本次實(shí)驗(yàn)共生成了3 000條序列進(jìn)行訓(xùn)練，每種條件各1 000條。經(jīng)過(guò)訓(xùn)練前數(shù)據(jù)處理后，使用該數(shù)據(jù)對(duì) DACGAN進(jìn)行生成器和判別器交替訓(xùn)練；當(dāng)生成器或判別器的損失(Loss)大于某個(gè)閾值t時(shí)，重復(fù)訓(xùn)練生成器或判別器，直至低于該閾值為止。每1 000 Epochs生成一次若干條不同標(biāo)簽下的數(shù)據(jù)，導(dǎo)入U(xiǎn)nity3D中進(jìn)行樹(shù)葉飄落效果的人工檢驗(yàn)，并在人工檢驗(yàn)視覺(jué)合理時(shí)停止訓(xùn)練。

4.3 模型參數(shù)設(shè)置

表3中DACGAN所使用的優(yōu)化器Optimizer為Adam[13]，根據(jù)實(shí)際的測(cè)試效果，學(xué)習(xí)率lr設(shè)置為0. 000 2，一階矩估計(jì)Beta-1設(shè)置為0.50。一階矩估計(jì)Beta-2為0.99 (默認(rèn)值)。過(guò)大的學(xué)習(xí)率會(huì)造成學(xué)習(xí)震蕩而無(wú)法收斂，訓(xùn)練精度差；過(guò)低的學(xué)習(xí)率會(huì)造成收斂速度慢。用于調(diào)整學(xué)習(xí)率的矩估計(jì)值Beta-1比默認(rèn)值0.90稍低，用于適當(dāng)降低學(xué)習(xí)率的衰減。

表3 模型參數(shù)

DACGAN對(duì)標(biāo)簽類(lèi)別 Class和真假判斷Validity分別使用2個(gè)損失函數(shù)。由于真假判斷是一個(gè)二值判斷(0和1)，所以本文使用二值交叉熵，該損失函數(shù)適用于二分類(lèi)。以及由于標(biāo)簽采用數(shù)字編碼(0，1，2)，所以對(duì)標(biāo)簽使用稀疏分類(lèi)交叉熵，該損失函數(shù)適用于稀疏情況的多分類(lèi)。

4.4 實(shí)驗(yàn)結(jié)果

訓(xùn)練后的 DACGAN即可按照需求生成樹(shù)葉飄落的數(shù)據(jù)。路徑數(shù)據(jù)部分三維可視化如圖5所示，可以看出，路徑的真實(shí)感強(qiáng)、多樣性豐富、弱風(fēng)(標(biāo)簽0)、中風(fēng)(標(biāo)簽1)、強(qiáng)風(fēng)(標(biāo)簽2)下的差異性明顯。

圖5 模型生成效果圖(路徑部分)

將生成的路徑和旋轉(zhuǎn)序列經(jīng)過(guò)訓(xùn)練后數(shù)據(jù)處理(算法2)后，輸入到Unity3D中進(jìn)行測(cè)試，初始參數(shù)相同，在風(fēng)速為(1,0,0)的條件下，數(shù)學(xué)模型與DACGAN生成的數(shù)據(jù)渲染效果對(duì)比如圖6所示?？梢?jiàn)DACGAN的學(xué)習(xí)效果較好，但是在加速度的學(xué)習(xí)和展現(xiàn)上仍有欠缺。

由DACGAN生成的數(shù)據(jù)在大型森林場(chǎng)景渲染效果如圖7所示。通過(guò)對(duì)場(chǎng)景中每一片樹(shù)葉進(jìn)行腳本綁定，使其使用DACGAN預(yù)生成的數(shù)據(jù)進(jìn)行運(yùn)動(dòng)后，可替代實(shí)時(shí)數(shù)學(xué)模型計(jì)算生成的效果，并進(jìn)行樹(shù)葉飄落的繪制。注意最好一次性將數(shù)據(jù)輸入至內(nèi)存中，以減少數(shù)據(jù)的讀寫(xiě)過(guò)程，從而提高性能。

對(duì)包含樹(shù)葉的靜態(tài)場(chǎng)景，使用本文算法及數(shù)學(xué)模型算法[5]的仿真場(chǎng)景分別進(jìn)行性能測(cè)試，結(jié)果如圖8所示。

圖6 數(shù)學(xué)模型與DACGAN效果對(duì)比

從零片樹(shù)葉開(kāi)始，渲染環(huán)境每增加300片樹(shù)葉進(jìn)行一次幀率(FPS)測(cè)試?？芍诋?dāng)前渲染條件下，使用本文算法及數(shù)學(xué)模型算法[5]的仿真場(chǎng)景的幀率，均在靜態(tài)場(chǎng)景的幀率附近上下波動(dòng)，說(shuō)明2種算法對(duì)幀率均影響不大。

圖7 模型生成數(shù)據(jù)在Unity3D中的渲染效果(200片樹(shù)葉)

圖8 幀率測(cè)試效果

5 結(jié) 束 語(yǔ)

本文通過(guò)生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)對(duì)仿真數(shù)據(jù)集進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)了對(duì)樹(shù)葉飄落效果的模擬和生成，提出了一種基于真實(shí)數(shù)據(jù)采集進(jìn)行的動(dòng)畫(huà)仿真模式。通過(guò)實(shí)驗(yàn)證實(shí)了本文方法的可行性，為深度學(xué)習(xí)與虛擬現(xiàn)實(shí)仿真技術(shù)結(jié)合提供了新的思路。

在實(shí)驗(yàn)中，雖然模式坍塌問(wèn)題解決了(圖 9)，但模型的學(xué)習(xí)效果仍需提高，生成數(shù)據(jù)與仿真數(shù)據(jù)集在視覺(jué)上仍然有一定的差距。

圖9 弱風(fēng)條件下具有多樣性和真實(shí)性的生成數(shù)據(jù)樣本((a)～(i)為隨機(jī)生成數(shù)據(jù)樣本)

在后續(xù)的工作中，將繼續(xù)針對(duì)樹(shù)葉飄落產(chǎn)生的多元時(shí)序列優(yōu)化深度學(xué)習(xí)算法和模型結(jié)構(gòu)，使訓(xùn)練更穩(wěn)定、效果更佳，生成的樣本具有更強(qiáng)的真實(shí)性和多樣性。WGAN[14]，WGAN-GP[15]，LSGAN[16]等模型都提供了解決問(wèn)題的思路。

另外，將針對(duì)樹(shù)葉飄落的數(shù)學(xué)評(píng)估算法[17]研究，與人工檢驗(yàn)視覺(jué)效果結(jié)合，共同評(píng)估模型生成數(shù)據(jù)的質(zhì)量。

最后，將使用真實(shí)的三維數(shù)據(jù)替代數(shù)學(xué)模型合成的數(shù)據(jù)，并測(cè)試真實(shí)環(huán)境下的學(xué)習(xí)效果，同時(shí)解決在真實(shí)環(huán)境下樹(shù)葉飄落數(shù)據(jù)獲取過(guò)程中所產(chǎn)生的問(wèn)題。