Powtarzalny workflow wspomagany przez AI do tworzenia koncepcji w projektowaniu sztuki scenicznej i optymalizacji oświetlenia poprzez ramy GSAD

Podsumowanie

Autorzy przedstawiają tutaj protokół implementujący generatywne projektowanie sceniczne (GSAD), napędzany przez AI workflow integrujący modele dyfuzji, generatywne sieci adwersarialne (GAN) oraz inteligentną optymalizację klanów słoni (IECO), aby standaryzować przejście od scenariuszy narracyjnych do zoptymalizowanych koncepcji wizualnych 3D.

Streszczenie

Sztuczna inteligencja (AI) zasadniczo przekształca procesy projektowania kreatywnego, umożliwiając szybkie generowanie pomysłów i spójną wizualizację, szczególnie w sztuce scenicznej i scenografii. Jednak istniejące procesy pozostają silnie uzależnione od ręcznego szkicowania i subiektywnej interpretacji, co ogranicza skalowalność i zmniejsza powtarzalność w zespołach projektowych. Ta luka podkreśla potrzebę uporządkowanego, wspomaganego AI frameworka generatywnego projektowania scenicznego (GSAD), który integruje głębokie uczenie, modelowanie generatywne oraz techniki optymalizacji, wspierając systematyczny i powtarzalny rozwój koncepcji. Głównym celem ram GSAD jest połączenie modeli dyfuzji do początkowego generowania koncepcji, generatywnych sieci adwersarialnych (GAN) do dopracowywania tekstur i oświetlenia oraz inteligentnej optymalizacji klanów słoni (IECO) do optymalizacji układu sceny i oświetlenia. Zestaw Stage Art Design Dataset, składający się z 2 500 obrazów o wysokiej rozdzielczości, zawiera anotowane scenariusze teatralne, diagramy oświetlenia oraz układy 3D, aby ułatwić naukę multimodalną. Ocena eksperymentalna wykazuje znaczące poprawy w metrykach jakościowych, w tym lepsze dopasowanie semantyczne między treścią skryptu a generowanymi wizualizacjami oraz większą efektywność optymalizacji układu osiągniętą dzięki analizie przestrzennej prowadzonej przez IECO. Implementacja frameworka w środowisku opartym na Pythonie dała 98,88% dokładności predykcyjnej, 26,58 mega operacji zmiennoprzecinkowych na sekundę (MFPO) oraz wartość parametrów 1,08 M. Ramy GSAD oferują skalowalny, powtarzalny i technicznie solidny workflow wspomagany AI, który zwiększa twórczą produkcję, zapewnia spójność wizualną i wspiera efektywny rozwój koncepcji we współczesnym projektowaniu sztuki scenicznej.

Wprowadzenie

Projektowanie sztuki scenicznej to złożona, interdyscyplinarna dziedzina, która łączy scenografię, oświetlenie, scenografię oraz przestrzenne opowiadanie historii ^1,2. Historycznie rozwój koncepcji scenicznych opierał się na ludzkiej pomysłowości wyrażanej poprzez modele fizyczne, ręcznie rysowane szkice, mood boardy oraz iteracyjne sesje burzy mózgów ^3,4. Ta ewolucja została głęboko ukształtowana przez napięcie między wizją artystyczną a materialnymi ograniczeniami przestrzeni performatywnej⁵. Wraz ze wzrostem wymagań wydajnościowych, zapotrzebowanie na efektywne zasobowo, wizualnie bogate i szybkie generowanie koncepcji wyprzedziło tradycyjne ręczne przepływy^{pracy 6,7}. Pojawienie się generatywnej sztucznej inteligencji (GenAI) oraz dużych modeli językowych (LLM) oferuje transformującą ścieżkę do wzbogacenia procesu twórczego, ułatwiając tworzenie pomysłów i współtworzenie projektów w architekturze i rozrywce ^8,9.

Tradycyjna scenografia często napotyka lukę semantyczną, gdzie abstrakcyjne emocje scenariusza teatralnego mają trudności ze znalezieniem precyzyjnego wizualnego odpowiednika bez rozległych prób i błędów ^2,10. Obecne narzędzia AI w branżach kreatywnych umożliwiają elastyczne wyszukiwanie i łączenie zdjęć referencyjnych, jednak wielu brakuje strukturalnej rzetelności wymaganej do profesjonalnej produkcji scenicznej^11,12. Ponadto subiektywny charakter oceny estetycznej często utrudnia dopasowanie maszynowo generowanych rezultatów do konkretnej intencji narracyjnej¹³. Ta zmiana od manualnych przepływów pracy opartych na doświadczeniu na współpracę człowieka i AI opartej na danych staje się cechą definiującą praktykę projektowania XXI wieku^14,15. Integracja tych narzędzi obliczeniowych wymaga nowej formy badań opartych na praktyce, które łączą rozwój narzędzi cyfrowych z występami na żywo¹⁶. Najnowsze badania podkreślają, że systemy AI mogą ułatwiać burzę mózgów i szerokie poszukiwanie alternatyw, jednak przejście od pomysłów 2D do realizacji zoptymalizowanej w 3D pozostaje^technicznie trudne.

Framework projektowania sztuki generatywnej (GSAD) rozwiązał te niedociągnięcia, ustanawiając powtarzalny workflow wspomagany przez AI^17,18. Uzasadnienie tego modelu wynika z potrzeby automatyzacji komponentów projektowych przy jednoczesnym zachowaniu artystycznej integralności oryginalnej narracji. Integrując systemy multimodalne AI, projektanci mogą szybko iterować zarówno wizualnie, jak i werbalnie, zapewniając, że oświetlenie i tekstury są semantycznie dopasowane do dramatycznych treści¹⁹. Kluczowym elementem tej innowacji jest zastosowanie algorytmu inteligentnej optymalizacji klanów słoni (IECO), który czerpie inspirację z zachowań społecznych populacji słoni do poruszania się po złożonych ograniczeniach przestrzennych w układzie scen i rozmieszczeniu oświetlenia^20,21. Ta klasa algorytmów metaheurystycznych okazała się szczególnie skuteczna w rozwiązywaniu problemów projektowych wielocelowych, gdzie tradycyjne metody oparte na gradientach zawodzą.

W szerszym kontekście literatury systemy CAD wspomagane przez AI już wykazały wzrost efektywności sięgający nawet 20% w przepływach pracy architektonicznych^22,23. Konkretnie, generatywne projektowanie oparte na AI pozwala na eksplorację niestandardowych topologii przestrzennych, których nie dałoby się wyobrazić ręcznie²⁴. Chociaż ostatnie badania z ostatnich dwóch lat skutecznie wykorzystały warunkowe GAN-y (CGAN) do automatyzacji generowania planów dwuwymiarowych i architektonicznych układów przestrzennych, rozszerzenie tych 2D generatywnych zasad na złożone, trójwymiarowe wymagania przestrzenne oświetlenia scenicznego i scenografii pozostaje krytycznie niedostatecznie zbadane. Jednak tradycyjne modele głębokiego uczenia, takie jak splotowe sieci neuronowe (CNN), często mają trudności z długodystansowymi zależnościami potrzebnymi do zrozumienia złożonych układów etapów 3D^25,26. Ramy GSAD przełamują te ograniczenia, wykorzystując transformatory wizualne (ViT) do wyodrębniania globalnych cech wizualnych i dwukierunkowych reprezentacji enkoderów z enkoderów transformers (BERT), aby uchwycić semantykę narracji^27,28. Ponieważ transformatory lepiej niż filtry lokalne rejestrują globalny kontekst sceny projektowej, modele te zapewniają bardziej kompleksową reprezentację relacji przestrzennych²⁹. To podwójne wyodrębnianie funkcji zapewnia, że powstałe projekty etapów są nie tylko estetycznie spójne, ale także narracyjnie istotne.

Zalety podejścia GSAD w porównaniu z alternatywnymi technikami, takimi jak mechanizm głębokiego splotowego osadzania uwagi (DL-CBAM), są wieloaspektowe^30,31. Podczas gdy wcześniejsze modele poprawiały dokładność rozpoznawania na zbiorach danych wykrywania ruchu, te modele często wymagały większego obciążenia obliczeniowego i nie posiadały możliwości optymalizacji przestrzennej, które znane są z GSAD. Dla porównania, GSAD osiąga dokładność 98,88% przy zachowaniu liczby parametrów na poziomie 1,08 M, co daje optymalną równowagę między złożonością modelu a możliwością predykcyjną^32,33. Taka efektywność jest kluczowa dla kreatywnych narzędzi w czasie rzeczywistym, co potwierdza sukces architektur w skali mobilnej w specjalistycznych zadaniach projektowych³⁴. To sprawia, że ramy te są bardzo odpowiednie dla profesjonalnych projektantów teatralnych, twórców sztuki cyfrowej oraz edukatorów inżynierii architektonicznej, którzy wymagają wysokiej jakości i powtarzalnych wizualizacji³⁵.

Ponadto integracja GAN-ów do udoskonalania tekstur i oświetlenia rozwiązuje ograniczenia standardowych modeli dyfuzji, które czasem mogą generować "stylistycznie płaskie" wyniki^36,37. Dzięki wykorzystaniu generatora opartego na stylu, framework może syntetyzować tekstury o wysokiej rozdzielczości, które wykazują zarówno różnorodność, jak i głębię artystyczną³⁸. Dzięki zastosowaniu szkoleń adwersarialnych, ramy GSAD zapewniają, że szczegóły artystyczne i realizm wizualny są podnoszone do standardów zawodowych³⁹. Takie podejście łagodzi również obawy etyczne dotyczące autorstwa i stronniczości, oferując kontrolowaną, "projektantkę w pętli" platformę współpracy^40,41. Ostatecznym celem nie jest zastąpienie ludzkiej intuicji, lecz zapewnienie partnera do współpracy, który rozszerza twórczą wolę artysty⁴². W miarę jak dziedzina zmierza ku bardziej immersyjnym i cyfrowo zintegrowanym osiągom, potrzeba solidnych, natywnych protokołów projektowania AI będzie tylko rosnąć^{o 43}. Poniższy protokół stanowi techniczną mapę drogową dla wdrożenia ram GSAD, zapewniając, że nowoczesne projektowanie sztuki scenicznej pozostaje zarówno kreatywne, jak i powtarzalne.

Protokół

1. Środowisko obliczeniowe i pozyskiwanie danych

1. Konfiguracja systemu (Należy upewnić się, że wszystkie kroki obliczeniowe są wykonywane na stacji roboczej z odpowiednimi możliwościami GPU dla zadań głębokiego uczenia).
   1. Skonfiguruj środowisko programistyczne Python na stacji roboczej z odpowiednimi możliwościami GPU dla symulacji głębokiego uczenia, aby służyło ono jako fundament dla frameworku GSAD przedstawionego na Rysunku 1.
   2. Zainstaluj niezbędne zależności, konfigurując w szczególności język Python (wersja 3.8 lub nowsza) oraz PyTorch (wersja 2.0.1 lub nowsza), wraz ze standardowymi bibliotekami wymaganymi do symulacji głębokiego uczenia, aby zapewnić spójność wykonania.
   3. Skonfiguruj system zarządzania pamięcią w celu obsługi przetwarzania obrazów o wysokiej rozdzielczości.
2. Gromadzenie zbioru danych
   1. Pobierz dostęp do zbioru danych „Stage Art Design Dataset” z repozytorium Kaggle w celu pozyskania surowych danych.
      UWAGA: Obrazy składają się z materiałów na licencjach publicznych oraz oryginalnych projektów koncepcyjnych, aby zachować zgodność ze standardami praw autorskich.
   2. Pobierz zbiór danych zawierający 2 500 obrazów JPG o wysokiej rozdzielczości oraz powiązane metadane.
   3. Zweryfikuj strukturę plików, upewniając się, że zawiera ona 2 500 obrazów o wysokiej rozdzielczości, podzielonych na różne typy scen, style występów i tła kulturowe, aby zapobiec stronniczości stylistycznej.
   4. Przed rozpoczęciem trenowania zastosuj ujednolicone reguły adnotacji danych. Przypisz elementy skryptu semantycznego (np. „nastrojowe oświetlenie”) bezpośrednio do konkretnych kodów kolorów hex i opisz parametry oświetlenia za pomocą ustandaryzowanych trójwymiarowych ramek ograniczających (x, y, z), aby zapewnić spójne mapowanie semantyki na obraz.

2. Przetwarzanie wstępne danych

1. Normalizacja obrazów
   1. Przeprowadź normalizację Min-Max na surowych danych obrazowych, aby ujednolicić skalę wszystkich wartości cech i poprawić stabilność danych.
   2. Zastosuj Równanie 1, aby przekształcić oryginalne wartości cech (M) w wartości znormalizowane (M_norm):
         (1)
      Gdzie M_norm oznacza wartość znormalizowaną, M jest oryginalną wartością cechy, a min(M) i max(M) to odpowiednio minimalna i maksymalna wartość w zbiorze danych.
   3. Potwierdź poprawę zbieżności oraz jakości reprezentacji cech poprzez porównanie obrazów oryginalnych z obrazami po wstępnym przetwarzaniu, jak pokazano na Rysunku 2.
2. Semantyczne czyszczenie tekstu
   1. Przetwórz skrypty tekstowe powiązane z projektami scenografii, aby usunąć „szum”, który mógłby wprowadzić AI w błąd.
   2. Wyeliminuj literówki, zbędne symbole, znaki interpunkcyjne, stop words oraz niespójne formatowanie.
   3. Ujednolic wielkość liter w tekście (małe litery), aby zapewnić spójność semantyczną¹³. Przykłady procesu czyszczenia semantycznego znajdują się w Tabeli 1.
3. Tokenizacja
   1. Podziel oczyszczony tekst na mniejsze, łatwiejsze do zarządzania jednostki zwane „tokenami” (słowami lub znakami).
   2. Upewnij się, że na tym etapie usunięto niepożądane komponenty, aby ułatwić precyzyjną analizę konceptualną przez modele AI.

3. Ekstrakcja cech (struktura GSAD)

1. Ekstrakcja cech wizualnych z wykorzystaniem transformera wizyjnego (ViT)
   1. Zainicjuj architekturę ViT przedstawioną na Rysunku 3 w celu przetworzenia 3D obrazów scenografii.
   2. Osadzanie patchy (Patch Embedding): Podziel obraz wejściowy na patche o stałym rozmiarze (słowa wizualne), aby zredukować wymiarowość.
   3. Skonstruuj tokeny wizualne (u) i dodaj osadzenia pozycyjne (u'), korzystając z Równań 2, 3 i 4:
        (2)
      (3)
      (4)
      Gdzie  reprezentuje rzutowany token patcha, k jest spłaszczonym patchem obrazu wejściowego, w_c to macierz wag rzutu liniowego, u to rozwinięta sekwencja patchy, jest to osadzenie pozycyjne dodane w celu zachowania informacji przestrzennych, a d_k to dodany token klasyfikacji.
      UWAGA: Szczegółowy opis zmiennych ViT, takich jak rozmiar patcha (O) i wymiar rzutu (d), znajduje się w Tabeli 2.
   4. Koder Transformera: Prześlij przetworzone tokeny do kodera Transformera. Wykorzystaj mechanizmy self-attention w celu zidentyfikowania korelacji między różnymi patchami obrazu (np. oświetlenie vs tło).
   5. Zastosuj funkcje normalizacji i aktywacji zgodnie z równaniami od 5 do 8, aby wygenerować końcową mapę cech:
          (5)
         (6)
         (7)
         (8)
      Gdzie u' jest znormalizowaną sekwencją tokenów, RL reprezentuje wagi self-attention wyprowadzone z zapytań R i kluczy L^SC (z czynnikiem skalującym SC), w jest wyjściem uwagi obliczonym przy użyciu wartości U, a linear (w) i GeLU (w) oznaczają transformacje w sieci feed-forward.
   6. Zwizualizuj wyjściową mapę cech, która podkreśla kluczowe elementy projektu i redukuje szum, jak pokazano na Rysunku 4.
2. Ekstrakcja cech tekstowych z wykorzystaniem BERT
   1. Zainicjuj model BERT (dwukierunkowe reprezentacje kodera z transformerów) do przetwarzania scenariuszy teatralnych.
   2. Konwertuj scenariusze w języku naturalnym na wektory ciągłe za pomocą osadzania słów (word embedding), aby uchwycić znaczenie semantyczne. Strukturę ekstrakcji cech przedstawiono w Tabeli 3.
   3. Połącz osadzenia tokenów, osadzenia segmentów i osadzenia pozycyjne jako wejścia do kodera.
   4. Wykonaj kroki jednostki kodera transformera (uwaga wielogłowicowa, Add & Norm, Feed Forward), zgodnie z ilustracją na Rysunku 5, aby stworzyć kontekstowe sekwencje tokenów.
   5. Zkonkatenuj wyjściowe kontekstowe sekwencje tokenów (z BERT) z mapami cech wizualnych (z ViT). Prześlij te zfuzowane dane multimodalne jako bezpośredni warunkowy wektor wejściowy do modułu doprecyzowania GAN w kroku 4.
3. Generowanie wstępnej koncepcji
   1. Wprowadź wyekstrahowane cechy tekstowe (z BERT) i cechy wizualne (z ViT) do modelu dyfuzyjnego (Diffusion Model).
   2. Wygeneruj wstępne 2D koncepcyjne projekty sceny na podstawie zintegrowanych cech multimodalnych.
   3. Przekaż te wstępne koncepcje 2D jako wejścia bazowe do generatywnej sieci przeciwstawnej (GAN) w kroku 4 w celu dalszego doprecyzowania tekstur i oświetlenia.

4. Udoskonalenie tekstury i oświetlenia przy użyciu GAN

1. Konfiguracja generatywnej sieci przeciwstawnej (GAN)
   1. Zbuduj moduł udoskonalenia GSAD składający się z Generatora (H) i Dyskryminatora (C), zgodnie z Rysunkiem 6.
   2. Skonfiguruj Dyskryminator tak, aby odróżniał rzeczywiste obrazy sceny od tych wygenerowanych, a Generator tak, aby tworzył realistyczne tekstury i oświetlenie.
2. Trenowanie i optymalizacja
   1. Zdefiniuj funkcję celu dla warunkowej sieci GAN (CGAN), korzystając z równania 9, aby wprowadzić zmienne warunkowe (y) dla lepszej stabilności:
      (9)
      Gdzie x oznacza warunek projektu wejściowej sceny, y to rzeczywisty obraz docelowy, z reprezentuje wektor szumu losowego, G to generator, a D to dyskryminator.
   2. W przypadku ulepszania obrazów o niskim oświetleniu zastosuj równanie 10, aby zoptymalizować wyjście obrazu z wzmocnionym oświetleniem (H_low):
      (10)
      Gdzie U(C, H) reprezentuje funkcję wartości celu, H to sieć Generatora, C to sieć Dyskryminatora (Krytyka), w reprezentuje rzeczywiste dane próbkowane z rozkładu O_data, y jest warunkiem wejściowym, z to warunkowa zmienna szumu, qha reprezentuje rzeczywiste wysokiej jakości obrazy sceny, a H_Low oznacza wyjście generatora dla wejść o niskim oświetleniu.
   3. Zastosuj modulację adaptacyjną do transformacji cech, korzystając z równania 11:
      (11)
      Gdzie hE_i(w) reprezentuje mapę cech w warstwie i, AM oznacza funkcję modulacji adaptacyjnej z wyuczonymi parametrami α_i i β_i, to waga warstwy, a ostatni element to przesunięcie (bias).
   4. Zaimplementuj połączenia pomijające (skip connections) i warstwy poolingu w sieci generatywnej, korzystając z równań 12 i 13 w celu zachowania szczegółów przestrzennych:
        (12)
      (13)
      Gdzie Skip(w) oznacza cechy zachowane poprzez połączenia pomijające z bloków splotowych hE, a H_jw reprezentuje wyjściową mapę cech po max poolingu w etapach kodera (0 < j ≤ 3).
3. Rekonstrukcja obrazu
   1. Wykonaj nadpróbkowanie (up-sampling) i konkatenację w fazie dekodowania, korzystając z równań 14 i 15:
        (14)
      (15)
      Gdzie up(w) reprezentuje cechy po nadpróbkowaniu skonkatenowane z odpowiadającymi im połączeniami skip(w), v°H_j-1(w) oznacza połączone wejście do etapów dekodera (4 < j  ≤7), a h_out(w) to końcowy, udoskonalony obraz sceny wygenerowany za pomocą funkcji aktywacji sigmoid, z wykorzystaniem wag ostatniej warstwy X₈ i przesunięcia a₈.
   2. Wygeneruj końcowy udoskonalony obraz wyjściowy, używając funkcji aktywacji sigmoid w równaniu 16:
        (16)
   3. Postępuj zgodnie z iteracyjną procedurą trenowania opisaną w Algorytmie 1 (Pseudokod udoskonalania tekstury i oświetlenia GAN).

Algorytm 1: Pseudokod udoskonalania oświetlenia tekstury GAN
Wejście: Obraz sztuki scenicznej o niskim natężeniu oświetlenia H(low), liczba iteracji treningowych N, rozmiar partii B
Wyjście: Obraz ulepszony H enhanced
1: Inicjalizacja Generatora z parametrami H
2: Inicjalizacja Dyskryminatora z parametrami C
3: tempo uczenia
4: zmienna warunkowa z (opcjonalna dla GAN)
5: Parametry modulacji adaptacyjnej α_i oraz β_i
6: Lista połączeń pomijających skip(w)
7: dla iteracja = 1 do F wykonaj
Trening Dyskryminatora
8: Pobranie próbki partii prawdziwych obrazów
9: Pobranie próbki partii szumów/losowych obrazów o niskim natężeniu oświetlenia
10: Jeśli CGAN, dołącz zmienną warunkową z do danych wejściowych
Generowanie fałszywych obrazów
Obliczenie straty dyskryminatora
Aktualizacja parametrów dyskryminatora
Trening Generatora
Generowanie fałszywych obrazów
Obliczenie straty generatora
Aktualizacja parametrów generatora
dla j = 1 do 3 wykonaj

koniec pętli
11: Konwolucja wąskiego gardła (bottleneck convolution)
12: Dekoder/nadpróbkowanie
dla j = 5 do 7 wykonaj

koniec pętli
13: Warstwa wyjściowa

14: koniec pętli
15: zwróć H i C wzmocnione

5. Optymalizacja układu etapu (IECO)

1. Inicjalizacja IECO
   1. Zainicjuj algorytm inteligentnej optymalizacji klanów słoni (intelligent elephant clan optimization – IECO), aby zoptymalizować przestrzenne rozmieszczenie elementów sceny.
   2. Zdefiniuj populację „słoni” (reprezentujących potencjalne rozwiązania projektowe) oraz powiązane z nimi klany. Schemat blokowy IECO przedstawiono na Rysunku 7.
2. Ruch i ewolucja
   1. Oblicz niezależny ruch każdego słonia w celu eksploracji przestrzeni projektowej, korzystając z równań 17 i 18:
      (17)
      (18)
      Gdzie oznacza przyrost ruchu obliczony przy użyciu czynnika rozkładu losowego r ograniczonego między minimalnym () a maksymalnym () rozmiarem kroku, a to zaktualizowana niezależna pozycja przestrzenna słonia.
   2. Zmniejsz zakres ruchu w czasie, korzystając z równania 19, aby ułatwić zbieżność w miarę doskonalenia rozwiązania.
   3. Aktualizacja matriarchini: Zaktualizuj pozycję liderki klanu (matriarchini) w kierunku globalnie najlepszego rozwiązania, korzystając z równania 20:
      (19)
      Gdzie reprezentuje nowo zaktualizowaną pozycję matriarchini, jest aktualną pozycją ważoną, to globalnie najlepszy układ rozwiązany do tej pory, a β pełni rolę czynnika skalującego kontrolującego wpływ najlepszego rozwiązania.
   4. Aktualizacja słoni samców: Zaktualizuj pozycje słoni samców względem centrum klanu, korzystając z równań 21 i 22:
      (20)
      (21)
      Gdzie reprezentuje zaktualizowaną pozycję słonia samca, jest jego aktualną pozycją referencyjną, XCenter_js oznacza centralną pozycję klanu rodzinnego obliczoną ze wszystkich samców, M_d to całkowita liczba samców w klanie, a r i p to prawdopodobieństwa rozkładu losowego kierujące ruchem w stronę centrum klanu.
3. Wymiana populacji
   1. Obliczenie centrum klanu: Najpierw oceń dostosowanie (fitness) rozwiązań układu. Następnie oblicz pozycję centralną () każdego klanu rodzinnego, korzystając z równania 22, gdzie M_f to liczba członków rodziny:
      (22)
   2. Wymiana dorosłych słoni: Aby zwiększyć szybkość zbieżności, zastąp gorsze „dorosłe słonie” (rozwiązania) lepszymi, wygenerowanymi z centrum klanu. Zastosuj równanie 23, aby obliczyć nową pozycję ():
       (23)
      Gdzie reprezentuje centralną pozycję dorosłych słoni, M_f to liczba dorosłych członków rodziny, oznacza nowo obliczoną pozycję zastępczą dla gorszego dorosłego słonia, to zastępowana pozycja referencyjna, a i reprezentują lepsze pozycje wewnątrz klanu, służące do kierowania procesem wymiany w celu przyspieszenia zbieżności.
      (UWAGA: Tutaj i reprezentują pośrednie pozycje ważone używane do kierowania wymianą.)
   3. Wymiana młodych słoni: Aby zapobiec utknięciu w optimach lokalnych i zachować różnorodność, zastąp najsłabsze „młode słonie” (). Zaktualizuj pozycje tych elementów, korzystając z równania 24:
      (24)
      Gdzie oznacza aktualną pozycję najsłabszego młodego słonia, a to jego nowo wygenerowana pozycja. Wymiana ta jest sterowana przez czynnik losowy r oraz lepszych członków klanu, aby zapobiec wpadnięciu procesu optymalizacji w optima lokalne i zachować różnorodność przestrzenną.
   4. Zakończenie: Połącz zaktualizowane klany, ponownie oblicz dostosowanie i powtarzaj pętlę optymalizacji, aż zostaną spełnione kryteria zakończenia, zgodnie ze szczegółami zawartymi w Algorytmie 2.

Algorytm 2: Pseudokod IECO do optymalizacji układu sceny i rozmieszczenia oświetlenia
Wejście: Wielkość populacji M:, maksymalna liczba iteracji X^max:
Wyjście: Optymalny układ sceny i rozmieszczenie oświetlenia
Inicjalizacja klanów słoni z losowymi pozycjami (układ sceny + parametry oświetlenia)
Ocena dostrojenia (fitness) każdego słonia
Dla t = 1 do X^max:
Dla każdego klanu:
Identyfikacja matriarchini (najlepszego słonia), słoni samców oraz niezależnego ruchu młodych słoni
Dla każdego słonia:
Obliczanie przyrostu ruchu ΔX^max
Aktualizacja niezależnej pozycji
Redukcja zakresu ruchu w kolejnych iteracjach
Aktualizacja matriarchini

Dla każdej matryjarca:
Aktualizacja pozycji w kierunku najlepszego rozwiązania globalnego
Aktualizacja samca słonia

Dla każdego samca słonia
Oblicz środek klanu i zaktualizuj pozycję w kierunku środka z zastąpieniem dorosłych

Oblicz centrum klanu osobników dorosłych
Zastąp osobniki dorosłe o niskiej jakości osobnikami o wysokiej jakości z małej Grupy Zastępczej Słoni

Zastąp najsłabsze młode słonie, aby zachować różnorodność
Połącz zaktualizowane klany, przelicz dostosowanie wszystkich słoni i zaktualizuj globalne najlepsze rozwiązanie
Zwróć globalnie najlepszy układ sceny i konfigurację oświetlenia

Wyniki

Układ doświadczalny i schemat analityczny, przedstawione na Rysunkach 1 do 7 oraz w Tabelach 1 do 3, zapewniły solidną podstawę dla wstępnego przetwarzania danych, ekstrakcji cech oraz optymalizacji układu w ramach struktury GSAD.

Dynamika uczenia i zbieżność modelu
Eksperymentalna ocena frameworka GSAD dostarczyła istotnych danych ilościowych i jakościowych dotyczących jego skuteczności w projektowaniu sc...

Dyskusja

Głównym wkładem tego badania jest opracowanie powtarzalnego workflow wspomaganego AI, który standaryzuje koncepcję projektowania sztuki scenicznej ^2,10. Skupiając się na ramach GSAD, autorzy oferują uporządkowaną metodologię, która przezwycięża ograniczenia manualnego tworzenia pomysłów i subiektywnej interpretacji, typowe dla tradycyjnej scenografii. Kluczowym krokiem w protokole jest integracja GAN-ów dla dopracowywania tekstur i oświetlenia, ponieważ zapewnia ...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
BERT (Dwukierunkowe reprezentacje enkodera z transformers)	Transformatorzy z Przytulającą Twarzą	Open Source
Język programowania Python	Python Software Foundation	Wersja 3.8 lub wyższa
Ramy Głębokiego Uczenia PyTorch	Linux Foundation / Meta AI	Wersja 2.0.1 lub wyższa
Zbiór danych Stage Art Design	Repozytorium Kaggle	Publicznie dostępne
Implementacja Vision Transformer (ViT)	Modele obrazów PyTorch (timm)	Open Source
Stacja robocza z funkcjami GPU	N/A (Standardowy sprzęt)	Nie ma