使用 2D 细胞自动机生成 3D 地形
提出一种名为生成元胞自动机的概率三维生成模型,其能够产生多样化和高质量的形状,利用细胞自动机的局部更新规则有效减少了搜索空间,在稀疏卷积网络的支持下进行渐进生成,通过抽样与训练轮廓数据的匹配学习得到了本地均匀规则,并在概率形状补全和形状生成的实验中取得了竞争性的性能。
Mar, 2021
我们通过使用层级生成元胞自动机 (hGCA) 模型,从大规模稀疏的自动驾驶车辆 (AV) 捕捉到的 LiDAR 扫描数据中生成精细的三维几何结构,为模拟真实、高分辨率的街景环境迈出了一步。
Jun, 2024
本文利用神经元细胞自动机(NCA)算法实现了基于单个模板图像的纹理生成器,其中神经元细胞自动机算法提供了一种学习分布式本地算法生成纹理的范例,并具有高保真度和鲁棒性。
May, 2021
该研究采用品质多样化的方法生成多样性神经细胞自动机(NCA)集合来设计视频游戏关卡,使用协方差矩阵适应性 MAP-Elites (CMA-ME)训练生成器以高效生成 NCA,并将其应用于几种 2D 瓷砖风格的视频游戏中。
Sep, 2021
通过 Mesh Neural Cellular Automata (MeshNCA) 方法,在 3D 网格上直接合成动态纹理,无需任何 UV 贴图,实现了实时的 3D 纹理合成。
Nov, 2023
介绍了使用细胞自动机(CA)的生物制造项目 Biomaker CA。通过 CA 规则在 2D 网格上模拟复杂的生物群落,并通过 Python JAX 框架在 GPU 上并行计算,展示了该项目如何在多种环境和物理规律、不同的模型架构和变异策略下,使植物代理生长、存活、繁殖和进化,形成稳定和不稳定的生物群落。此外,还展示了如何通过元进化或 Petri 盘元进化这两种方法,在恶劣环境中进行模型的元进化,以及如何在更大的环境中交互演化植物模型并部署。
Jul, 2023
通过模仿生物进化的方式,本研究引入了一种名为 Generative Cellular Automata (GeCA) 的新模型系列,作为一种有效的补充工具,用于视网膜疾病分类的两种成像模式:Fundus 和光学相干断层扫描(OCT)。在 OCT 成像的背景下,GeCA 显著提升了 11 种不同眼科疾病的性能,相较于传统基线模型,平均 F1 分数提高了 12%。在相似的参数限制下,GeCA 优于融合 UNet 或基于 Transformer 的去噪模型的扩散方法。
Jul, 2024
这篇论文通过采用 Perlin 噪声生成地形和 Cellular Automata(CA)的动态性来模拟火灾的蔓延,并利用 Multi-Agent Reinforcement Learning(MARL)通过协作框架模拟自主智能体对火灾进行管理,包括 UAV 和 UGV 等,研究并考虑到火灾抑制的高效性以及风向和地形特征等关键环境因素。
Jul, 2024
本文提出了一种基于分层细胞自动机的图像显著性检测算法,利用深度特征和贝叶斯框架,集成不同尺度上的单层元胞自动机算法,取得了比传统方法更好的实验效果
May, 2017