FenixEdu™

Dissertação

Conditional Latent Diffusion Models for Controlled Terrain Generation EVALUATED

Detalhes: Geração automatizada de terrenos é essencial em indústrias como a de entretenimento e a de educação, onde alta fidelidade e controlo sobre a estrutura do terreno são fundamentais. Abordagens recentes muitas vezes utilizam modelos de Deep Learning (DL), particularmente Generative Adversarial Networks (GANs) para a geração de terrenos. No entanto, estas abordagens apresentam limitações quer na qualidade do terreno, quer na flexibilidade de controlo que o utilizador tem a seu dispor. Esta tese explora uma nova abordagem que usa Latent Diffusion Models (LDMs) para a geração de terrenos, com síntese simultânea de elevação e de textura do terreno, ao mesmo tempo que emprega métodos de controlo mais acessíveis, como descrições textuais e máscaras semânticas. As descrições textuais permitem que os utilizadores gerem terrenos com esforço mínimo, enquanto que as máscaras semânticas oferecem controlo preciso sobre o layout e as características do terreno. Estes dois métodos complementam-se, permitindo uma geração de terrenos mais dinâmica e adaptada a diferentes meios, cenários e processos artísticos. Esta abordagem gera terrenos realistas, equiparando-se aos métodos de ponta, com o benefício adicional de gerar a textura do terreno sem comprometer a qualidade do resultado final. Estes resultados foram confirmados por métricas quantitativas e também através de um questionário a utilizadores, onde foi indentificada alguma ambiguidade na qualidade dos dois métodos de controlo. Contudo, estes meios são capazes de produzir com sucesso uma diversidade de formas de relevo e de texturas.
Keywords: Geração de terreno, Geração procedural de Conteúdos, Aprendizagem Profunda, Modelos de difusão

Discussão: outubro 28, 2024, 9:0

Documentos da dissertação ainda não disponíveis publicamente