מאמר שיטה

תהליך עבודה משוכפל בעזרת בינה מלאכותית לפיתוח קונספטים בעיצוב אמנות במה ואופטימיזציה של תאורה באמצעות מסגרת GSAD

DOI:

10.3791/70737

⸱

12 במאי 2026

1Shanghai Minhang Polytechnic

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כאן, המחברים מציגים פרוטוקול ליישום מסגרת עיצוב אמנות במה גנרטיבית (GSAD), תהליך עבודה מונע בינה מלאכותית המשלב מודלים של דיפוזיה, רשתות יריבה גנרטיביות (GANs) ואופטימיזציה חכמה של שבט פילים (IECO) כדי לתקן את המעבר מסקריפטים נרטיביים למושגים חזותיים תלת-ממדיים אופטימליים.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בינה מלאכותית (AI) מעצבת מחדש באופן יסודי תהליכי עיצוב יצירתיים על ידי אפשרות יצירת רעיונות מהירה והדמיה עקבית, במיוחד באמנות הבמה ובסצנוגרפיה. עם זאת, זרימות העבודה הקיימות עדיין תלויות מאוד בסקיצות ידניות ובפרשנות סובייקטיבית, מה שמגביל את יכולת ההרחבה ומפחית את השחזוריות בין צוותי העיצוב. פער זה מדגיש את הצורך במסגרת עיצוב אמנות במה גנרטיבית (GSAD) מובנית בסיוע בינה מלאכותית, המשלבת למידה עמוקה, מידול גנרטיבי וטכניקות אופטימיזציה לתמיכה בפיתוח קונספטים שיטתי וניתן לחזרה. המטרה המרכזית של מסגרת GSAD היא לשלב מודלים של דיפוזיה ליצירת קונספטים ראשוניים, רשתות יריבה גנרטיביות (GANs) לשיפור טקסטורות ותאורה, ואופטימיזציה חכמה של שבט פיל (IECO) לאופטימיזציה של פריסת הבמה ומיקום התאורה. מערך הנתונים לעיצוב אמנות הבמה, הכולל 2,500 תמונות ברזולוציה גבוהה, כולל תסריטי תיאטרון עם הערות, דיאגרמות תאורה ופריסות תלת-ממדיות לסיוע בלמידה רב-מודלית. הערכה ניסויית מראה שיפורים משמעותיים במדדים איכותניים, כולל שיפור בהתאמה סמנטית בין תוכן התסריט לבין ויזואליות שנוצרה, ויעילות אופטימיזציה גבוהה יותר שהושגה באמצעות ניתוח מרחבי מונחה IECO. יישום המסגרת בסביבה מבוססת פייתון הביא לדיוק חיזוי של 98.88%, 26.58 מגה-פעולות נקודה צפה לשנייה (MFPOs), וכמות פרמטרים של 1.08 M. מסגרת GSAD מציגה תהליך עבודה בסיוע בינה מלאכותית ניתן להרחבה, שכפול וטכנית עמידה, המשפר את התפוקה היצירתית, מבטיח עקביות ויזואלית ותומך בפיתוח קונספט יעיל בעיצוב אמנות במה מודרנית.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עיצוב אמנות במה הוא תחום רב-תחומי מורכב המשלב סצנוגרפיה, תאורה, עיצוב תפאורה וסיפור מרחבי 1,2. היסטורית, התפתחות מושגי הבמה התבססה על תושייה אנושית המובעת באמצעות מודלים פיזיים, סקיצות מצוירות ביד, לוחות מצב רוח ומפגשי סיעור מוחות איטרטיביים 3,4. התפתחות זו עוצבה עמוקות על ידי המתח בין החזון האמנותי למגבלות החומריות של מרחב ההופעה5. ככל שדרישות הביצועים הופכות למתוחכמות יותר ויותר, הביקוש ליצירת קונספטים יעילה במשאבים, עשירות ויזואלית ומהירה עקף את תהליכי העבודה הידניים המסורתיים 6,7. הופעת הבינה המלאכותית הגנרטיבית (GenAI) ומודלי שפה גדולים (LLMs) מציעה דרך טרנספורמטיבית להעצמת תהליך היצירה, ומקלה על יצירת רעיונות עיצוביים ויצירה משותפת באדריכלות ובידור 8,9.

הסצנוגרפיה המסורתית נתקלת לעיתים קרובות בפער סמנטי שבו הרגשות המופשטים של תסריט תיאטרון נאבקים למצוא מקבילה ויזואלית מדויקת ללא ניסוי וטעייהנרחבים 2,10. כלי הבינה המלאכותית הנוכחיים בתעשיות היצירתיות מאפשרים חיפוש גמיש ושילוב מחדש של תמונות רפרנס, אך רבים מהם חסרים את הקפדנות המבנית הנדרשת להפקת במה מקצועית11,12. יתרה מזאת, האופי הסובייקטיבי של הערכה אסתטית מקשה לעיתים קרובות ליישר פלטים שנוצרים על ידי מכונה עם כוונה נרטיבית ספציפית13. המעבר הזה מתהליכי עבודה ידניים מבוססי ניסיון לשיתוף פעולה מונע נתונים בין אדם לבינה מלאכותית הופך למאפיין מכריע של פרקטיקת העיצוב במאה ה-2114,15. השילוב של כלים חישוביים אלו מחייב צורה חדשה של מחקר "מבוסס פרקטיקה" שמגשר על הפער בין פיתוח כלים דיגיטליים להופעות חיות16. מחקרים עדכניים מדגישים שמערכות בינה מלאכותית יכולות להקל על סיעור מוחות וחקירה רחבה של חלופות, אך המעבר מרעיונות דו-ממדיים למימוש מותאם לתלת-ממד נותר מאתגר טכנית9.

מסגרת עיצוב אמנות הבמה הגנרטיבית (GSAD) התמודדה עם ליקויים אלו על ידי הקמת זרימת עבודה חוזרת בסיוע בינה מלאכותית17,18. ההיגיון במסגרת זו נובע מהצורך לאוטומט את רכיבי העיצוב תוך שמירה על שלמות האמנותית של הנרטיב המקורי. על ידי שילוב מערכות בינה מלאכותית רב-מודלית, המעצבים יכולים לבצע איטרציות מהירות הן ויזואלית והן מילולית, ולהבטיח ששיפורי התאורה והטקסטורות תואמים סמנטיתלתוכן הדרמטי. מרכיב קריטי בחידוש זה הוא השימוש באלגוריתם IECO, השואב השראה מהתנהגות חברתית של אוכלוסיות פילים כדי להתמודד עם מגבלות מרחביות מורכבות במבנה הבמה ובמיקום התאורה20,21. סוג זה של אלגוריתמים מטה-היוריסטיים הוכיח את עצמו כיעיל במיוחד בפתרון בעיות עיצוב רב-מטריות שבהן שיטות מסורתיות מבוססות גרדיאנט נכשלות.

בהקשר הרחב יותר של הספרות, מערכות עיצוב בעזרת מחשב (CAD) מונעות בינה מלאכותית כבר הראו שיפורי יעילות של עד 20% בתהליכי עבודה אדריכליים22,23. באופן ספציפי, עיצוב גנרטיבי מונע בינה מלאכותית מאפשר חקירה של טופולוגיות מרחביות לא סטנדרטיות שבלתי אפשרי לחשובעליהן ידנית. בעוד שמחקרים עדכניים בשנתיים האחרונות השתמשו בהצלחה ב-GAN מותנה (CGANs) לאוטומציה של יצירת תוכניות קומה דו-ממדיות ופריסות מרחביות אדריכליות, הרחבת עקרונות הגנרטיביים הדו-ממדיים הללו לדרישות המרחביות המורכבות והתלת-ממדיות של תאורה במה ועיצוב תפאורה עדיין לא נחקרו באופן קריטי. עם זאת, מודלים מסורתיים של למידה עמוקה, כגון רשתות עצביות קונבולוציונליות (CNNs), מתקשים לעיתים קרובות עם התלות לטווח ארוך הנדרשת להבנת סידורי שלבים תלת-ממדייםמורכבים 25,26. מסגרת GSAD מתגברת על מגבלות אלו על ידי שימוש בשנאי ראייה (ViT) לחילוץ תכונות ויזואליות גלובליות וייצוגי מקודדים דו-כיווניים ממקודדי טרנספורמרים (BERT) כדי ללכוד סמנטיקה נרטיבית27,28. מכיוון שטרנספורמרים לוכדים את ההקשר הגלובלי של סצנת עיצוב בצורה יעילה יותר מאשר מסננים מקומיים, מודלים אלו מספקים ייצוג הוליסטי יותר של מערכות יחסים מרחביות29. חילוץ תכונות דו-זרמי זה מבטיח שעיצובי הבמה שנוצרים יהיו לא רק עקביים אסתטית אלא גם רלוונטיים נרטיבית.

היתרונות של גישת GSAD על פני טכניקות חלופיות, כמו מנגנון הקשב להטמעה קונבולוציונית עמוקה (DL-CBAM), הם רב-ממדיים30,31. בעוד שמודלים קודמים שיפרו את דיוק הזיהוי במאגרי זיהוי תנועה, מודלים אלו דרשו לעיתים קרובות עומס חישובי גבוה יותר וחסרו את יכולות האופטימיזציה המרחבית שנמצאות ב-GSAD. לעומת זאת, GSAD משיג שיעור דיוק של 98.88% תוך שמירה על ספירת פרמטרים של 1.08 M, ויוצר איזון אופטימלי בין מורכבות המודל ליכולת חיזוי32,33. יעילות כזו קריטית לכלים יצירתיים בזמן אמת, כפי שמודגם בהצלחת ארכיטקטורות בקנה מידה נייד במשימות עיצוב מיוחדות34. זה הופך את המסגרת למתאימה מאוד למעצבי תיאטרון מקצועיים, יוצרי אמנות דיגיטלית ומורכי הנדסת אדריכלות שזקוקים לויזואליזציות מדויקות וניתנות לשחזור35.

יתרה מזאת, אינטגרציה של GANs לשיפור טקסטורות ותאורה מתמודדת עם המגבלות של מודלים סטנדרטיים של דיפוזיה, שלעיתים יכולים להפיק פלטים "שטוחים סגנונית"36,37. באמצעות מחולל מבוסס סגנון, המסגרת יכולה לסנתז טקסטורות ברזולוציה גבוהה שמציגות גם גיווןוגם עומק אמנותי. באמצעות הכשרה יריבה, מסגרת GSAD מבטיחה שהפרטים האמנותיים והריאליזם הוויזואלי משתפרים לסטנדרטים מקצועיים39. גישה זו גם מפחיתה חששות אתיים בנוגע למחבר ולהטיות על ידי מתן פלטפורמת שיתוף פעולה ניתנת לשליטה, "מעצב בלולאה"40,41. המטרה הסופית אינה להחליף את האינטואיציה האנושית, אלא לספק שותף שיתופי שמרחיב את הסוכנות היצירתית של האמן42. ככל שהתחום מתקדם לביצועים סוחפים ומשולבים דיגיטלית יותר, הביקוש לפרוטוקולי עיצוב חזקים ומקוריים בבינה מלאכותית רק יגדלב-43. הפרוטוקול הבא מספק את מפת הדרכים הטכנית ליישום מסגרת GSAD, ומבטיח שעיצוב אמנות הבמה המודרני יישאר יצירתי וניתן לשחזור.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. סביבה חישובית ורכישת נתונים

  1. הגדרת מערכת (ודא שכל שלבי החישוב מתבצעים על תחנת עבודה עם יכולות GPU מספקות למשימות למידה עמוקה).
    1. הקם סביבת תכנות בפייתון על תחנת עבודה עם יכולות GPU מספקות לסימולציה של למידה עמוקה שתשמש בסיס למסגרת GSAD באיור 1.
    2. התקן את התלויות הנדרשות, במיוחד הגדרת פייתון (גרסה 3.8 ומעלה) ו-PyTorch (גרסה 2.0.1 ומעלה), יחד עם ספריות סטנדרטיות הנדרשות לסימולציה של למידה עמוקה כדי להבטיח ביצוע עקבי.
    3. הגדר את מערכת ניהול הזיכרון לטיפול בעיבוד תמונות ברזולוציה גבוהה.
  2. איסוף מערכי נתונים
    1. גשו ל"מערך עיצוב אמנות הבמה" ממאגר Kaggle כדי לקבל את הנתונים הגולמיים.
      הערה: התמונות כוללות חומרים ברישיון ציבורי ועיצובים קונספטואליים מקוריים כדי לעמוד בסטנדרטים של זכויות יוצרים.
    2. הורידו את מערך הנתונים המכיל 2,500 תמונות JPG ברזולוציה גבוהה ומטא-דאטה נלווים.
    3. בדוק את מבנה הקובץ, וודא שהוא מכיל 2,500 תמונות ברזולוציה גבוהה המחולקות לפי סוגי במה, סגנונות ביצוע ורקעים תרבותיים שונים, כדי למנוע הטיה סגנונית.
    4. החלו כללי אנווטציה סטנדרטיים לנתונים לפני ההדרכה. מפים אלמנטים של סקריפטים סמנטיים (למשל, 'תאורה מוזיקלית') ישירות לקודי צבע משושים מסוימים, והערות על פרמטרי תאורה באמצעות תיבות הגבול קואורדינטות תלת-ממדיות סטנדרטיות (x, y, z) כדי להבטיח מיפוי סמנטי לוויזואלי עקבי.

2. קדם-עיבוד נתונים

  1. נרמול תמונה
    1. בצע נרמול מינימ-מקסי על נתוני התמונה הגולמיים כדי להגדיל את כל ערכי התכונות באופן אחיד ולשפר את יציבות הנתונים.
    2. החלו את משוואה 1 כדי להמיר את ערכי התכונה המקוריים (M) לערכים מנורמליים (נורמה M):
      figure-protocol-1(1)
      כאשר M נורמה מייצגת את הערך המנורמל, M הוא ערך התכונה המקורי, ו-min(M) ו-max(M) הם הערכים המינימליים והמקסימליים של מערך הנתונים, בהתאמה.
    3. ודאו שאיכות ההתכנסות והייצוג השתפרו על ידי השוואת התמונות המקוריות לתמונות המעובדות מראש, כפי שמוצג באיור 2.
  2. ניקוי סמנטי טקסט
    1. עבד את התסריטים הטקסטואליים הקשורים לעיצובי הבמה כדי להסיר "רעש" שעלול לבלבל את הבינה המלאכותית.
    2. הסר שגיאות כתיב, סמלים מיותרים, פיסוק, מילות עצור ועיצוב לא עקבי.
    3. לאחד את אות הטקסט (אות קטנה) כדי להבטיח עקביות סמנטית13. עיין בטבלה 1 לדוגמאות לתהליך הניקוי הסמנטי.
  3. טוקניזציה
    1. חלק את הטקסט המנוקה ליחידות קטנות וניתנות לניהול הנקראות "טוקנים" (מילים או תווים).
    2. ודאו שרכיבים לא רצויים מוסרים בשלב זה כדי לאפשר ניתוח מושגי מדויק על ידי מודלי הבינה המלאכותית.

3. חילוץ תכונות (מסגרת GSAD)

  1. חילוץ תכונות ויזואליות באמצעות שנאי ראייה (ViT)
    1. אתחל את ארכיטקטורת ViT כפי שמוצג באיור 3 כדי לעבד את תמונות אמנות הבמה התלת-ממדית.
    2. הטמעת תיקונים: חלוקת תמונת הקלט לתיקונים בגודל קבוע (מילים ויזואליות) כדי להפחית את הממדות.
    3. בנו את הטוקנים הוויזואליים (u) והוסיפו הטמעות-מיקום (u') באמצעות משוואות 2, 3 ו-4:
      figure-protocol-2(2)
      figure-protocol-3 (3)
      figure-protocol-4 (4)
      כאשר figure-protocol-5 מייצג את טוקן הפאץ' המוקרן, k הוא פאץ' התמונה השטוח, wc הוא מטריצת משקל ההקרנה הליניארית, u הוא רצף הפאץ' הפתוח, הוא ההטמעה הפוזיציונית שנוספה לשמירת מידע מרחבי, ו-dk הוא אסימון הסיווג הנוסף.
      הערה: עיינו בטבלה 2 לתיאור מפורט של משתני ViT כגון גודל התיקון (O) וממד ההקרנה (d).
    4. מקודד טרנספורמר: הזנת האסימונים המעובדים אל מקודד הטרנספורמר. השתמש במנגנוני ריכוז עצמי לזיהוי קורלציות בין טלאי תמונה שונים (למשל, תאורה מול רקע).
    5. החלו פונקציות נרמול והפעלה באמצעות משוואות 5 עד 8 ליצירת מפת התכונות הסופית:
      figure-protocol-6(5)
      figure-protocol-7(6)
      figure-protocol-8(7)
      figure-protocol-9(8)
      כאשר u' הוא רצף האסימונים המנורמל, RL מייצג את משקלי תשומת הלב העצמית הנגזרים משאילתות R ו-Lמקשי SC (עם מקדם קנה מידה SC), w הוא פלט תשומת הלב המחושב באמצעות ערכי U ו-(w) ליניארי (w) ו-GeLU (w) מסמנים את הטרנספורמציות בתוך רשת ההזנה קדימה.
    6. המחישו את מפת תכונות הפלט, שמדגישה אלמנטים מרכזיים בעיצוב ומפחיתה רעש, כפי שמוצג באיור 4.
  2. חילוץ תכונות טקסטואליות באמצעות BERT
    1. אתחול מודל BERT (ייצוגי מקודד דו-כיווני מטרנספורמרים) כדי לעבד את סקריפטי השלבים.
    2. המרו את סקריפטים בשפה טבעית לווקטורים רציפים באמצעות הטמעת מילים כדי ללכוד משמעות סמנטית. עיין בטבלה 3 למבנה חילוץ התכונות.
    3. שלבו הטמעות, הטמעות-סגמנטים והטמעות-מיקום כקלטים למקודד.
    4. בצע את שלבי יחידת מקודד הטרנספורמטור (Multi-Head Attention, Add & Norm, Feed Forward) כפי שמוצג באיור 5 כדי ליצור רצפי טוקנים בהקשר.
    5. מחברים את רצפי הטוקנים הקונטקסטואליים (מ-BERT) עם מפות תכונות ויזואליות (מ-ViT). הזן את הנתונים הרב-מודליים הממוזגים הללו כוקטור קלט מותנה ישיר למודול השיפור של GAN בשלב 4.
  3. יצירת קונספט ראשונית
    1. הזן את התכונות הטקסטואליות שחולצו (מ-BERT) ואת התכונות הוויזואליות (מ-ViT) למודל הדיפוזיה.
    2. יצירת עיצובים ראשוניים של שלבים קונספטואליים דו-ממדיים המבוססים על תכונות מולטימודליות משולבות.
    3. העבר את הקונספטים הדו-ממדיים הראשוניים הללו כקלטים בסיסיים לרשת הגנרטיבית Adversarial Network (GAN) בשלב 4 לשיפור נוסף של טקסטורות ותאורה.

4. שיפור טקסטורה ותאורה באמצעות GAN

  1. הגדרת רשת יריבה גנרטיבית (GAN)
    1. בנו את מודול השיפור של GSAD המורכב מגנרטור (H) ומבחין (C) כפי שמוצג באיור 6.
    2. הגדר את ה-Discriminator להבחין בין תמונות במה אמיתיות לאלו שנוצרו, ואת הגנרטור ליצירת טקסטורות ותאורה ריאליסטיות.
  2. הכשרה ואופטימיזציה
    1. הגדר את פונקציית המטרה עבור ה-GAN התנאי (CGAN) באמצעות משוואה 9 כדי להכניס משתני תנאי (y) ליציבות טובה יותר:
      figure-protocol-10 (9)
      כאשר x מייצג את תנאי תכנון שלב הקלט, y היא תמונת היעד האמיתית, z מייצג את וקטור הרעש האקראי, G הוא הגנרטור, ו-D הוא המבחין.
    2. לשיפור תמונה בתאורה נמוכה, יש להחיל את Equation 10 כדי לאופטימיזציה של פלט התמונה המשופרת באור (Hנמוך):
      figure-protocol-11 (10)
      כאשר U(C, H) מייצג את פונקציית ערך המטרה, H היא רשת הגנרטור, C היא רשת המבחין (Critic), w מייצג נתונים ממשיים שנדגמו מנתוני ההתפלגות O, y הוא תנאי הקלט, z הוא משתנה הרעש המותנה, qha מייצג את תמונות הבמה באיכות גבוהה אמיתיות, ו-Hנמוך מציין את פלט הגנרטור מכניסות בתאורה נמוכה.
    3. יישם מודולציה אדפטיבית על טרנספורמציית התכונה באמצעות משוואה 11:
      figure-protocol-12 (11)
      כאשר hEi(w) מייצג את מפת התכונות בשכבה i, AM מציין את פונקציית המודולציה האדפטיבית עם פרמטרים שנלמדו α i ו-βi, figure-protocol-13 הוא משקל השכבה, ו- הוא ההטיה.
    4. מימוש חיבורים מדלגים ושכבות איגוד ברשת הגנרטיבית באמצעות משוואות 12 ו-13 לשמירת פרטים מרחביים:
      figure-protocol-14(12)
      figure-protocol-15 (13)
      כאשר Skip(w) מציין את התכונות שנשמרו באמצעות חיבורי דילוג מהבלוקים הקונבולוציונליים hE, ו-Hjw מייצג את מפת תכונות הפלט לאחר איגוד מקסימלי בשלבי המקודד (0 < j ≤ 3).
  3. שחזור התמונה
    1. בצע דגימה מעלה ושרשרת בשלב הפענוח באמצעות משוואות 14 ו-15:
      figure-protocol-16(14)
      figure-protocol-17 (15)
      כאשר up(w) מייצג את התכונות המודגמות למעלה המחוברות עם חיבורי ה-skip(w) המתאימים, v°Hj-1(w) מציין את הקלט המשולב לשלבי המפענח (4 < j ≤7), ו-hout(w) היא תמונת השלב המעודנת הסופית שנוצרת באמצעות פונקציית ההפעלה הסיגמואידית, תוך שימוש במשקלים של השכבה הסופית X8 וההטיה a8.
    2. יצר את פלט התמונה המעודן הסופי באמצעות פונקציית ההפעלה הסיגמואידי במשוואה 16:
      figure-protocol-18(16)
    3. עקבו אחר הליך האימון האיטרטיבי המתואר באלגוריתם 1 (פסאודוקוד של GAN-Texture Lighting Refinement)
    4. .

אלגוריתם 1: פסאודוקוד של שיפור תאורה בטקסטורות GAN
קלט: תמונת אמנות במה בתאורה נמוכה H(נמוך), מספר איטרציות אימון N, גודל אצווה B
פלט: תמונה משופרת ב-H
1: אתחול מחולל עם פרמטרים H
2: אתחול דיסקרימינטור עם פרמטרים C
3: קצב הלמידה figure-protocol-19
4: משתנה תנאי z (אופציונלי עבור GAN)
5: פרמטרים של מודולציה אדפטיבית αi  ו-βi
6: רשימת דילוג על חיבורים שמדלג על ה-w.
7: עבור איטרציה = 1 עד F עשה
הכשרת מבחינים
8: דגימה של קבוצה של תמונות אמיתיות figure-protocol-20
9: דגום אוסף של רעש/תמונות אקראיות בתאורה נמוכה
10: אם CGAN, מוסיפים את המשתנה התנאי z לקלטים
יצירת תמונות מזויפות
אובדן מבחין חישובי
עדכון פרמטרי הדיסקרימינטור
הכשרת גנרטורים
יצירת תמונות מזויפות
אובדן מחולל חישוב
עדכון פרמטרי הגנרטור
עבור j = 1 עד 3 עשה

figure-protocol-21

figure-protocol-22

סוף עבור
11: קונבולוציה של צוואר בקבוק
12: פענוח/דגימה מוגברת
עבור j = 5 עד 7 עשה

figure-protocol-23

סוף עבור
13: שכבת פלט

figure-protocol-24

14: סוף עבור
15: החזרת H ו-C משודרגים

5. אופטימיזציה של פריסת שלבים (IECO)

  1. אתחול IECO
    1. אתחול את אלגוריתם אופטימיזציית שבט הפיל החכם (IECO) כדי לאופטימיזציה של סידור המרחב של רכיבי הבמה.
    2. הגדר את אוכלוסיית ה"פילים" (המייצגים פתרונות עיצוביים פוטנציאליים) ואת השבטים הקשורים. עיין באיור 7 עבור תרשים הזרימה של IECO.
  2. תנועה והתפתחות
    1. חשב את התנועה העצמאית של כל פיל כדי לחקור את מרחב העיצוב באמצעות משוואות 17 ו-18:
      figure-protocol-25 (17)
      figure-protocol-26 (18)
      כאשר figure-protocol-27 מייצג את תוספת התנועה המחושבת באמצעות גורם התפלגות אקראי r המוגבל בין גודל צעד מינימלי (figure-protocol-28) למקסימלי (figure-protocol-29) גודל צעד, ו figure-protocol-30 - הוא המיקום המרחבי הבלתי תלוי המעודכן של הפיל.
    2. הקטן את טווח התנועה לאורך זמן באמצעות משוואה 19 כדי לאפשר התכנסות ככל שהפתרון משתפר.
    3. עדכון מטריארכית: עדכון עמדת מנהיג השבט (מטריארכית) כלפי הפתרון הטוב ביותר הגלובלי באמצעות משוואה 20:
      figure-protocol-31 (19)
      כאשר figure-protocol-32 מייצג את המיקום המעודכן החדש של המטריארכית, figure-protocol-33 זהו מיקום הזרם המשוקלל, figure-protocol-34 זהו פתרון הפריסה הגלובלי הטוב ביותר שנמצא עד כה, ופועל β כגורם קנה מידה השולט בהשפעת הפתרון הטוב ביותר.
    4. עדכון על פיל זכר: עדכן את מיקומי הפיל הזכר ביחס למרכז השבט באמצעות משוואות 21 ו-22:
      figure-protocol-35 (20)
      figure-protocol-36 (21)
      כאשר figure-protocol-37 מייצג את המיקום המעודכן של הפיל הזכר, figure-protocol-38 הוא מיקום ההתייחסות הנוכחי שלו, XCenterjs מציין את המיקום המרכזי של שבט המשפחה המחושב מכל חברי השבט, Md הוא סך כל חברי המשפחה הזכרים בשבט, ו-r ו-p הם הסתברויות התפלגות אקראית המנחות את התנועה למרכז השבט.
  3. החלפת אוכלוסייה
    1. חשב את מרכז השבט: ראשית, הערך את ההתאמה של פתרונות הפריסה. לאחר מכן, מחשבים את המיקום המרכזי (figure-protocol-39) של כל שבט משפחתי באמצעות משוואה 22, כאשר Mf הוא מספר חברי המשפחה:
      figure-protocol-40 (22)
    2. החלפת פילים בוגרים: כדי לשפר את מהירות ההתכנסות, החליפו "פילים בוגרים" נחותים (פתרונות) בפילים טובים יותר שנוצרו ממרכז השבט. החלו את משוואה 23 כדי לחשב את המיקום החדש (figure-protocol-41):
      figure-protocol-42(23)
      כאשר figure-protocol-43 מייצג את המיקום המרכזי של הפילים הבוגרים, Mf הוא מספר בני המשפחה הבוגרים, figure-protocol-44 מציין את מיקום ההחלפה החדש שחושב עבור פיל בוגר נחות, figure-protocol-45 הוא מיקום הייחוס המוחלף, ו figure-protocol-46 - figure-protocol-47 ו- מייצג עמדות עליונות בתוך השבט המשמשים להכוונת תהליך ההחלפה להאצת התכנסות.
      (הערה: כאן, figure-protocol-48 ומייצגים figure-protocol-49 עמדות משוקללות ביניים המשמשים להנחיית ההחלפה.)
    3. החלפת פילים צעירים: כדי למנוע אופטימיום מקומי ולשמר גיוון, החליפו את "הפילים הצעירים" החלשים ביותר (figure-protocol-50). עדכן את מיקומי האיברים הללו באמצעות משוואה 24:
      figure-protocol-51 (24)
      כאשר figure-protocol-52 מציין את המיקום הנוכחי של הפיל הצעיר החלש ביותר, והוא figure-protocol-53 המיקום החדש שנוצר. החלפה זו מונעת על ידי גורם אקראי r וחברי השבט העליונים כדי למנוע מתהליך האופטימיזציה להיכנס לאופטימיזציה מקומית ולשמר את המגוון המרחבי.
    4. סיום עבודה: למזג את השבטים המעודכנים, לחשב מחדש את הכשירות, ולחזור על לולאת האופטימיזציה עד שקריטריוני הסיום יתקיימו כפי שמפורט באלגוריתם 2.

אלגוריתם 2: פסאודוקוד של IECO לאופטימיזציה של פריסת הבמה ומיקום התאורה
קלט: גודל אוכלוסייה M:, מקסימום איטרציות Xמקסימום:
פלט: פריסת במה אופטימלית ומיקום תאורה
אתחול שבטי פילים עם מיקומים אקראיים (פרמטרי הבמה + פרמטרי תאורה)
הערך את הכושר של כל פיל
עבור t = 1 עד Xמקסימום:
לכל שבט:
זיהוי מטריארכית (הפיל הטוב ביותר), פילים זכרים ותנועת העצמאות של פילים צעירים
לכל פיל:
הגדלה של תנועת חישוב ΔXמקסימלית
עדכון עמדה עצמאית figure-protocol-54
הפחתת טווח התנועה לאורך איטרציות
עדכון המטריארכית

figure-protocol-55

לכל מטריארכית:
עדכון מיקום לקראת השיא הגלובלי
עדכון על פיל זכר

figure-protocol-56

figure-protocol-57

לכל פיל זכר
חשב את מרכז השבט ועדכן את המיקום לכיוון המרכז עם מחליף מבוגר

figure-protocol-58

figure-protocol-59

חשב את מרכז השבט של המבוגרים
החלפת הבוגרים הנחותים בתחליף פיל קטן עליון

figure-protocol-60

להחליף את הפילים הצעירים החלשים ביותר כדי לשמור על הגיוון
מיזוג השבטים המעודכנים, חישוב מחדש את הכושר של כל הפילים, ועדכון הפתרון הטוב ביותר הגלובלי
החזרו את סידור הבמה והתאורה הטובים ביותר בעולם

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ההגדרה הניסיונית וזרימת העבודה האנליטית, כפי שמפורט באיורים 1 עד 7 ובטבלאות 1 עד 3, סיפקו בסיס איתן לעיבוד נתונים מוקדם, חילוץ תכונות ואופטימיזציה של פריסת מסגרת GSAD.

דינמיקת אימון מודלים והתכנסות
ההערכה הניסויית של מסגרת GSAD הניבה נתונים כמותיים ואיכותיים משמעותיים לגבי יעילותה בעיצוב אמנות במה. דינמיקת הלמידה של המודל נבדקה לאורך 50 תקופות, כפי שמודגם באיורים 8A...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

התרומה המרכזית של מחקר זה היא פיתוח תהליך עבודה משוחזר בעזרת בינה מלאכותית, שמאחד את הקונספט של עיצוב אמנות הבמה 2,10. על ידי התמקדות במסגרת GSAD, המחברים מספקים מתודולוגיה מובנית המתגברת על מגבלות הרעיון הידני והפרשנות הסובייקטיבית הנפוצות בסצנוגרפיה מסורתית. שלב קריטי בפרוטוקול הוא שילוב GANs לשיפור טקסטורות ותאורה, שכן זה מבטיח שהויזואליות שנוצרה עומדת בריאליזם איכותי הנדרש להפקות תיאטרון מקצועיות39,44<...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין מה לחשוף.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחבר מבקש להביע תודה כנה לעמיתים בפוליטכניק שנחאי מינהאנג על המשוב המעמיק והסיוע הטכני במהלך פיתוח ויישום מסגרת GSAD. תודה מיוחדת מוענקת לקהילת הקוד הפתוח על מתן הכלים החישוביים החיוניים ומאגרי הנתונים הציבוריים שאפשרו את ההכשרה והאימות של מודלי הבינה המלאכותית הרב-מודליים המשמשים בפרוטוקול זה. אני גם מעריך את העמיתים שנתנו הצעות בונות על הטיוטות הראשוניות של העבודה הזו. מחקר זה לא קיבל מענקים ספציפיים מסוכנויות מימון במגזר הציבורי, המסחרי או הלא-רווחי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
BERT (ייצוגי מקודדים דו-כיווניים מטרנספורמרים)טרנספורמרים של חיבוק פניםקוד פתוח
שפת תכנות פייתוןקרן התוכנה של פייתוןגרסה 3.8 ומעלה
מסגרת הלמידה העמוקה PyTorchLinux Foundation / Meta AIגרסה 2.0.1 ומעלה
מערך נתונים לעיצוב אמנות במהמאגר קגלנגיש לציבור
מימוש Vision Transformer (ViT)מודלים של PyTorch Image (timm)קוד פתוח
תחנת עבודה עם יכולות GPUאין (חומרה סטנדרטית)לא זמין

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Masters, P. The history and theory of environmental scenography. Theatre Perform Des. 5 (3-4), 317-319 (2019).
  2. Lotker, S., Gough, R. On scenography: editorial. Perform Res. 18 (3), 3-6 (2013).
  3. Goldschmidt, G. The dialectics of sketching. Creat Res J. 4 (2), 123-143 (1991).
  4. Tversky, B. What do sketches say about thinking. , (2002).
  5. Baugh, C. . Theatre, performance and technology: the development and transformation of scenography. , (2013).
  6. Müller, M., Montag, C. Disentangling the link between creativity and technology use: individual differences in smartphone and social media (over)use. J Creat. 34 (2), 100081 (2024).
  7. Amankwah-Amoah, J., Abdalla, S., Mogaji, E., Elbanna, A., Dwivedi, Y. K. The impending disruption of creative industries by generative AI: opportunities, challenges, and research agenda. Int J Inf Manage. 79, 102759 (2024).
  8. Zhang, H., Zhang, R. Generative artificial intelligence (AI) in built environment design and planning: a state-of-the-art review. Prog Eng Sci. 2 (1), 100040 (2025).
  9. Cetinic, E., She, J. Understanding and creating art with AI: review and outlook. ACM Trans Multimed Comput Commun Appl. 18 (2), 66 (2022).
  10. Aronson, A., Palmer, S., McKinney, J., Benedetto, S. A. D. . The history and theory of environmental scenography. , (2018).
  11. Anantrasirichai, N., Bull, D. Artificial intelligence in the creative industries: a review. Artif Intell Rev. 55 (1), 589-656 (2022).
  12. Corvello, V. Generative AI and the future of innovation management: a human-centered perspective and an agenda for future research. J Open Innov Technol Mark Complex. 11 (1), 100456 (2025).
  13. Mazzone, M., Elgammal, A. Art, creativity, and the potential of artificial intelligence. Arts. 8 (1), 26 (2019).
  14. Kadenhe, N., Al Musleh, M., Lompot, A. Human-AI co-design and co-creation: a review of emerging approaches, challenges, and future directions. Proc AAAI Symp Ser. 6 (1), 265-270 (2025).
  15. Santoso, B., Wijayanti, R. Human-AI collaboration in creative industries: workflows in media production and community-driven platforms. Trans Artif Intell Mach Learn Cogn Syst. 9 (11), 11-26 (2024).
  16. Candy, L., Edmonds, E. Practice-based research in the creative arts: foundations and futures from the front line. Leonardo. 51 (1), 63-69 (2018).
  17. Peckham, O., Raines, J., Bulsink, E., Goudswaard, M., Gopsill, J., Barton, D., et al. Artificial intelligence in generative design: a structured review of trends and opportunities in techniques and applications. Designs. 9 (4), 79 (2025).
  18. Hegab, H., Khanna, N., Monib, N., Salem, A. Design for sustainable additive manufacturing: a review. Sustain Mater Technol. 35, e00576 (2023).
  19. Reed, S., Akata, Z., Yan, X., Logeswaran, L., Schiele, B., Lee, H., et al. Generative adversarial text-to-image synthesis. , 1060-1069 (2016).
  20. Wang, G. G., Deb, S., Coelho, L. D. S. Elephant herding optimization. , 1-5 (2015).
  21. Strumberger, I., Beko, M., Tuba, M., Minovic, M., Bacanin, N. . Elephant herding optimization algorithm for wireless sensor network localization problem. , (2018).
  22. Ploennigs, J., Berger, M. AI art in architecture. AI Civ Eng. 2 (1), 8 (2023).
  23. Zhang, L., Pan, Y., Wu, X., Skibniewski, M. J. . Artificial intelligence in construction engineering and management. , (2021).
  24. Chaillou, S. . Artificial intelligence and architecture: from research to practice. , (2022).
  25. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., et al. Attention is all you need. , 6000-6010 (2017).
  26. Li, Y., Xu, W. A deep learning-based framework for intelligent modeling: from architectural sketch to 3D model. Front Archit Res. 14 (6), 1567-1584 (2025).
  27. Dosovitskiy, A. An image is worth 16×16 words: transformers for image recognition at scale. arxiv. , (2020).
  28. Devlin, J., Chang, M. W., Lee, K., Toutanova, K. BERT: pre-training of deep bidirectional transformers for language understanding. , (2019).
  29. Han, K., Wang, Y., Chen, H., Chen, X., Guo, J., et al. A survey on vision transformer. IEEE Trans Pattern Anal Mach Intell. 45 (1), 87-110 (2022).
  30. Woo, S., Park, J., Lee, J. Y., Kweon, I. S. CBAM: convolutional block attention module. , (2018).
  31. Qi, X., Zhi, M. A review of attention mechanisms in computer vision. , (2023).
  32. Howard, A., Sandler, M., Chen, B., Wang, W., Chen, L. C., et al. Searching for MobileNetV3. , (2019).
  33. Mehta, S., Rastegari, M. MobileViT: light-weight, general-purpose, and mobile-friendly vision transformer. arxiv. , (2021).
  34. Tan, M., Le, Q. EfficientNet: rethinking model scaling for convolutional neural networks. , (2019).
  35. Liao, W. J., Tang, C. H. Teaching strategies and practices that facilitate the development of design concepts in architectural engineering education. SAGE Open. 13 (3), 21582440231196376 (2023).
  36. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., et al. Generative adversarial nets. , 2672-2680 (2014).
  37. Dhariwal, P., Nichol, A. Diffusion models beat GANs on image synthesis. , (2021).
  38. Karras, T., Laine, S., Aila, T. A style-based generator architecture for generative adversarial networks. , (2019).
  39. Isola, P., Zhu, J. Y., Zhou, T., Efros, A. A. Image-to-image translation with conditional adversarial networks. , (2017).
  40. Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., et al. Guidelines for human-AI interaction. , 3 (2019).
  41. Xiao, Y., Lin, X., Ji, T., Qiao, J., Ma, B., Gong, H. AI-assisted design: intelligent generation of Dong paper-cut patterns. Electronics. 14 (9), 1804 (2025).
  42. Runco, M. A. . Creativity: research, development, and practice. , (2023).
  43. Plate, D., Hutson, J. Composition pedagogy as AI-native coding: from design kit to scholarly framework. World J Arts. 2 (11), 1-10 (2025).
  44. Karras, T., Laine, S., Aila, T. A style-based generator architecture for generative adversarial networks. , 4396-4405 (2019).
  45. Berryman, J. Creativity and style in GAN and AI art: some art-historical reflections. Philos Technol. 37 (2), 61 (2024).
  46. Yan, S., Wu, C., Zhang, Y. Generative design for architectural spatial layouts: a review of technical approaches. J Asian Archit Build Eng. , 1-21 (2025).
  47. Deng, Y., Zhai, Q. Integrating deep learning in art and design: computational techniques for enhancing creative expression. Int J Adv Comput Sci Appl. 16 (2), 175-183 (2025).
  48. Mirjalili, S. The ant lion optimizer. Adv Eng Softw. 83, 80-98 (2015).
  49. Lian, Q. Optimization of image recognition technology for dance theatre creation and evaluation of its effectiveness. J Comb Math Comb Comput. 127, 1653-1665 (2025).
  50. Avila, C., Ilbay, D., Rivera, D. Human-AI teaming in structural analysis: a model context protocol approach for explainable and accurate generative AI. Buildings. 15 (17), 3190 (2025).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים