Yöntem makalesi

GSAD Çerçevesi aracılığıyla sahne sanatı tasarımı ve aydınlatma optimizasyonunda konsept geliştirme için tekrarlanabilir yapay zeka destekli iş akışı

DOI:

10.3791/70737

⸱

12 Mayıs 2026

1Shanghai Minhang Polytechnic

Bu makalede

Özet

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

Burada, yazarlar, anlatı senaryolarından optimize edilmiş 3D görsel kavramlara geçişi standartlaştırmak için üretken aşama sanat tasarımı (GSAD) çerçevesini uygulamak için bir protokol sunuyor; bu, yayılma modelleri, üretici düşman ağları (GAN'lar) ve akıllı fil klan optimizasyonu (IECO) entegre eden yapay zeka destekli bir iş akışıdır.

Özet

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

Yapay zeka (YZE), özellikle sahne sanatı ve sahne sanatı alanlarında hızlı fikir oluşturma ve tutarlı görselleştirme sağlayarak yaratıcı tasarım süreçlerini temelden yeniden şekillendiriyor. Ancak mevcut iş akışları, manuel eskiz ve öznel yorumlamaya büyük ölçüde bağımlı olmaya devam ediyor; bu da ölçeklenebilirliği sınırlıyor ve tasarım ekipleri arasında tekrarlanabilirliği azaltıyor. Bu boşluk, sistematik ve tekrarlanabilir kavram geliştirmeyi desteklemek için derin öğrenme, üretken modelleme ve optimizasyon tekniklerini entegre eden, yapılandırılmış, yapay zeka destekli üretken aşama sanat tasarımı (GSAD) çerçevesine olan ihtiyacı vurguluyor. GSAD çerçevesinin temel amacı, başlangıç kavram üretimi için difüzyon modellerini, doku ve aydınlatma iyileştirmesi için üretken düşman ağlarını (GAN'ları) ve sahne düzeni ile aydınlatma yerleşimini optimize etmek için akıllı fil klan optimizasyonunu (IECO) birleştirmektir. 2.500 yüksek çözünürlüklü görüntüden oluşan Sahne Sanatı Tasarımı Veri Seti çok modlu öğrenmeyi kolaylaştırmak için notlu tiyatro senaryoları, aydınlatma diyagramları ve 3D düzenler içerir. Deneysel değerlendirme, script içeriği ile oluşturulan görseller arasında daha iyi anlamsal uyum ve IECO destekli uzamsal analiz sayesinde elde edilen daha yüksek düzen optimizasyonu verimliliği gibi nitel metriklerde önemli gelişmeler göstermektedir. Python tabanlı bir ortamda çerçevenin uygulanması %98,88 tahmin doğruluğu, saniyede 26,58 mega kayan nokta işlemi (MFPO) ve 1,08 M parametre miktarı sağladı. GSAD çerçevesi, yaratıcı çıktıyı artıran, görsel tutarlılığı sağlayan ve modern sahne sanat tasarımında verimli kavram geliştirmeyi destekleyen ölçeklenebilir, tekrarlanabilir ve teknik olarak sağlam bir yapay zeka destekli iş akışı sunar.

Giriş

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

Sahne sanatı tasarımı, sahne tasarımı, aydınlatma, sahne tasarımı ve mekansal hikaye anlatımını entegre eden karmaşık çok disiplinli biralandır 1,2. Tarihsel olarak, sahne kavramlarının gelişimi, fiziksel modeller, el çizimli eskizler, ruh hali panoları ve yinelemeli beyin fırtınasıoturumları 3,4 yoluyla ifade edilen insan yaratıcılığına dayanmıştır. Bu evrim, sanatsal vizyon ile performans alanının maddi kısıtlamaları arasındaki gerilimle derindenşekillenmiştir 5. Performans gereksinimleri giderek daha karmaşık hale geldikçe, kaynak verimli, görsel olarak zengin ve hızlı kavram üretimi talebi geleneksel manuel iş akışlarını geridebırakmıştır 6,7. Üretken yapay zeka (GenAI) ve büyük dil modellerinin (LLM'ler) ortaya çıkışı, yaratıcı süreci güçlendirmek için dönüştürücü bir yol sunar; mimarlık ve eğlencede tasarım fikir geliştirme ve ortak yaratımı kolaylaştırır 8,9.

Geleneksel sahne skenografisi sıkça bir anlamsal boşlukla karşı karşıya kalır; burada bir tiyatro senaryosunun soyut duyguları, kapsamlı deneme-yanılma olmadan kesin görsel bir eşdeğer bulmaktazorlanır 2,10. Yaratıcı endüstrilerdeki mevcut yapay zeka araçları, referans fotoğrafların esnek bir araması ve yeniden birleştirilmesine olanak tanır, ancak birçoğu profesyonel sahne prodüksiyonu için gereken yapısal titizliktenyoksundur 11,12. Ayrıca, estetik değerlendirmenin öznel doğası, makine tarafından üretilen çıktıları belirli anlatı niyetiyle uyumlu hale getirmeyi sıklıklazorlaştırır. Deneyim odaklı manuel iş akışlarından veri odaklı insan-yapay zeka iş birliğine geçiş, 21. yüzyıl tasarım pratiğinin tanımlayıcı bir özelliğihaline geliyor 14,15. Bu hesaplamalı araçların entegrasyonu, dijital araç geliştirme ile canlı performans arasındaki boşluğu kapatan yeni bir "uygulamaya dayalı" araştırma biçiminigerektirir 16. Son çalışmalar, yapay zeka sistemlerinin beyin fırtınası ve alternatiflerin geniş çaplı keşfini kolaylaştırabileceğini vurgularken, 2D fikirlemeden 3D optimize edilmiş gerçekleştirmeye geçişin teknik olarak hâlâzorlayıcı olduğunu 9.

Üretken aşama sanat tasarımı (GSAD) çerçevesi, tekrarlanabilir yapay zeka destekli bir iş akışı oluşturarak bu eksikliklerigiderdi 17,18. Bu çerçevenin gerekçesi, orijinal anlatının sanatsal bütünlüğünü koruyarak tasarım bileşenlerini otomatikleştirme ihtiyacından kaynaklanır. Çok modlu yapay zeka sistemlerini entegre ederek, tasarımcılar hem görsel hem de sözlü olarak hızlıca yineleme yapabilir, böylece aydınlatma ve doku iyileştirmelerinin dramatik içerikle anlamsal olarak uyumlu olmasınısağlar 19. Bu yeniliğin kritik bir bileşeni, fil popülasyonlarının sosyal davranışlarından ilham alarak sahne düzeni ve aydınlatma yerleşimindeki karmaşık mekansal kısıtlamaları aşmak için zeki fil klanı optimizasyonu (IECO)algoritmasının kullanılmasıdır. 20,21. Bu meta-sezgisel algoritma sınıfı, geleneksel gradyan tabanlı yöntemlerin başarısız olduğu çok amaçlı tasarım problemlerinin çözümünde özellikle etkili olmuştur.

Daha geniş literatür bağlamında, yapay zeka destekli bilgisayar destekli tasarım (CAD) sistemleri mimari iş akışlarında %20'ye kadar verimlilik artışıgöstermiştir 22,23. Özellikle, yapay zeka destekli üretken tasarım, manuel olarak tasarlanamayacak standart olmayan uzamsal topolojilerin keşfedilmesineolanak tanır 24. Son iki yıldaki son çalışmalar, koşullu GAN'ları (CGAN'lar) kullanarak 2B düzlemsel kat planı üretimini ve mimari mekansal düzenleri otomatikleştirmiş olsa da, bu 2D üretken ilkeleri sahne aydınlatması ve sahne tasarımının karmaşık, üç boyutlu mekansal gereksinimlerine genişletmek kritik derecede az araştırılmıştır. Ancak, geleneksel derin öğrenme modelleri, örneğin konvolüsyon sinir ağları (CNN'ler), karmaşık 3B aşama düzenlemelerini anlamak için gereken uzun vadeli bağımlılıklarla genellikle mücadeleeder 25,26. GSAD çerçevesi, bu sınırlamaları aşarak küresel görsel özellikleri (ViT) kullanarak küresel görsel özellikleri ve iki yönlü kodlayıcı temsillerini transformatörler (BERT) kodlayıcılarından çıkararak anlatı anlamlarınıyakalamak için 27,28. Transformatörler, bir tasarım sahnesinin küresel bağlamını yerel filtrelerden daha etkili yakaladığı için, bu modeller mekânsal ilişkilerin daha bütüncül bir temsilisağlar 29. Bu çift akışlı özellik çıkarımı, ortaya çıkan sahne tasarımlarının sadece estetik olarak tutarlı değil, aynı zamanda anlatı açısından da ilgili olmasını sağlar.

GSAD yaklaşımının derin konvolüsyon gömülü dikkat mekanizması (DL-CBAM) gibi alternatif tekniklere göre avantajları çok yönlüdür30,31. Önceki modeller hareket algılama veri setlerinde tanıma doğruluğunu artırsa da, bu modeller genellikle daha yüksek hesaplama gerektiriyor ve GSAD'deki mekansal optimizasyon yeteneklerinden yoksundu. Buna karşılık, GSAD %98,88 doğruluk oranına ulaşır ve parametre sayısını 1,08 M tutarak, model karmaşıklığı ile tahmin yeteneği arasında optimal bir dengesağlar 32,33. Bu verimlilik, mobil ölçekli mimarilerin özel tasarım görevlerindeki başarısıyla gösterildiği gibi, gerçek zamanlı yaratıcı araçlar için kritiköneme sahiptir 34. Bu da çerçeveyi, yüksek hassasiyetli, tekrarlanabilir görselleştirmelere ihtiyaç duyan profesyonel tiyatro tasarımcıları, dijital sanat yaratıcıları ve mimari mühendisliği eğitmenleri için son derece uygunkılar 35.

Ayrıca, doku ve aydınlatma iyileştirmesi için GAN'ların entegrasyonu, standart difüzyon modellerinin sınırlamalarını gider; bu modeller bazen "stilistik olarak düz"çıktılar üretebilen 36,37. Stil tabanlı bir üreteç kullanarak, çerçeve hem çeşitlilik hem de sanatsal derinlik sergileyen yüksek çözünürlüklü dokularısentezleyebilir 38. Rekabetçi eğitim uygulayarak, GSAD çerçevesi sanatsal detayların ve görsel gerçekçiliğin profesyonel standartlara ulaşmasınısağlar 39. Bu yaklaşım, yazarlık ve önyargı ile ilgili etik endişeleri de hafifletmeye çalışır; kontrol edilebilir, "tasarımcı döngüsünde" bir iş birliğiplatformu sağlar 40,41. Nihai amaç, insan sezgisinin yerini almak değil, sanatçının yaratıcı iradesini genişleten bir iş birliğiortaklığı sağlamaktır 42. Alan daha sürükleyici ve dijital olarak entegre performanslara doğru ilerledikçe, sağlam, yapay zeka tabanlı tasarım protokollerine olan ihtiyaçsadece 43 sayı artacak. Aşağıdaki protokol, GSAD çerçevesinin uygulanması için teknik yol haritası sunar ve modern sahne sanat tasarımının hem yaratıcı hem de tekrarlanabilir kalmasını sağlar.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

1. Hesaplamalı ortam ve veri edinimi

  1. Sistem kurulumu (Tüm hesaplama adımlarının derin öğrenme görevleri için yeterli GPU kapasitesine sahip bir iş istasyonunda gerçekleştirildiğinden emin olun).
    1. Şekil 1'deki GSAD çerçevesinin temelini oluşturacak derin öğrenme simülasyonu için yeterli GPU yeteneklerine sahip bir iş istasyonunda bir Python programlama ortamı kurun.
    2. Gerekli bağımlılıkları kurun; özellikle Python (sürüm 3.8 veya üzeri) ve PyTorch (sürüm 2.0.1 veya üzeri) yapılandırın; ayrıca tutarlı çalıştırma sağlamak için derin öğrenme simülasyonu için gerekli standart kütüphaneleri de ekleyin.
    3. Bellek yönetim sistemini yüksek çözünürlüklü görüntü işleme işleyecek şekilde yapılandırın.
  2. Veri seti toplama
    1. Ham verileri elde etmek için Kaggle deposundan "Sahne Sanatı Tasarımı Veri Seti"ne erişin.
      NOT: Görseller, telif hakkı standartlarına uygun olarak kamu lisanslı materyaller ve orijinal kavramsal tasarımlardan oluşmaktadır.
    2. 2.500 yüksek çözünürlüklü JPG görüntü ve ilgili meta verileri içeren veri setini indirin.
    3. Dosya yapısını doğrulayın; farklı sahne türleri, performans tarzları ve kültürel geçmişlere göre kategorize edilmiş 2.500 yüksek çözünürlüklü görüntü içerdiğinden emin olun; böylece stil önyargısını önleyin.
    4. Eğitimden önce standartlaştırılmış veri açıklama kurallarını uygulayın. Anlamsal yazık öğelerini (örneğin, 'havalı aydınlatma') doğrudan belirli altıgen renk kodlarına eşleyin ve tutarlı anlamsal-görsel eşleme sağlamak için standartlaştırılmış 3D koordinat sınırlayıcı kutular (x, y, z) kullanarak aydınlatma parametrelerini not edin.

2. Veri ön işleme

  1. Görüntü normalizasyonu
    1. Ham görüntü verilerinde Min-Max Normalizasyon uygulayarak tüm özellik değerlerini eşit şekilde ölçeklendirin ve veri kararlılığını artırın.
    2. Orijinal özellik değerlerini (M) normalize değerlere (Mnormu) dönüştürmek için Denklem 1'i uygulayın:
      figure-protocol-1(1)
      Mnormu normalize edilmiş değeri temsil ederken, M orijinal özellik değeridir ve min(M) ve max(M) veri setinin minimum ve maksimum değerleridir.
    3. Orijinal görüntüleri önceden işlenmiş görsellerle karşılaştırarak yakınsamanın ve özellik temsil kalitesinin arttığını doğrulayın, Şekil 2'de gösterildiği gibi.
  2. Metin anlamsal temizliği
    1. Sahne tasarımlarıyla ilgili metin senaryolarını işleyerek yapay zekayı karıştırabilecek "gürültüyü" ortadan kaldırın.
    2. Yazım hatalarını, gereksiz sembolleri, noktalama işaretlerini, durdurma kelimelerini ve tutarsız biçimlendirmeyi ortadan kaldırın.
    3. Metin harfini (küçük harf) standartlaştırarak anlamsal tutarlılığısağlamak 13. Anlamsal temizlik sürecine örnekler için Tablo 1'e bakınız.
  3. Tokenizasyon
    1. Temizlenmiş metni, "token" (kelimeler veya karakterler) adı verilen daha küçük, yönetilebilir birimlere ayırın.
    2. Bu adımda istenmeyen bileşenlerin çıkarılmasını sağlayarak yapay zeka modelleri tarafından kesin kavramsal analizi kolaylaştırın.

3. Özellik çıkarma (GSAD çerçevesi)

  1. Görsel özellik çıkarımı görüntü transformatörü (ViT) ile
    1. ViT mimarisini, Şekil 3'te gösterildiği gibi başlatarak 3D sahne sanatı görüntülerini işleyin.
    2. Patch Embedding: Boyutluluğu azaltmak için giriş görüntüsünü sabit boyutlu yamalara (görsel kelimelere) ayırın.
    3. Görsel tokenları (u) oluşturun ve Denklemler 2, 3 ve 4'ü kullanarak konumsal gömülmeler (u') ekleyin:
      figure-protocol-2(2)
      figure-protocol-3 (3)
      figure-protocol-4 (4)
      Projeksiyon figure-protocol-5 edilen yama tokenını temsil ederken , k düzleştirilmiş giriş görüntü yamasıdır, wc doğrusal projeksiyon ağırlık matrisi, u unroll patch dizisi, mekânsal bilgiyi korumak için eklenen pozisyonsal gömme ve dk eklenen sınıflandırma belirtekonudur.
      NOT: ViT değişkenlerinin ayrıntılı açıklaması için Tablo 2'ye bakınız; örneğin yama boyutu (O) ve projeksiyon boyutu (d).
    4. Transformer Encoder: İşlenen tokenları Transformer Encoder'a besleyin. Farklı görüntü yamaları arasındaki korelasyonları belirlemek için öz-dikkat mekanizmaları kullanın (örneğin, aydınlatma ve arka plan).
    5. Son özellik haritasını oluşturmak için 5'ten 8'e kadar denklemleri kullanarak normalizasyon ve aktivasyon fonksiyonlarını uygulayın:
      figure-protocol-6(5)
      figure-protocol-7(6)
      figure-protocol-8(7)
      figure-protocol-9(8)
      U' normalize token dizisi olduğunda, RL sorgular R ve L SC anahtarlarından türetilen öz-dikkat ağırlıklarını (ölçekleme faktörü SC ile) temsil eder, w U değerleri kullanılarak hesaplanan dikkat çıktısıdır ve lineer (w) ile GeLU (w) ile-ileri ağ içindeki dönüşümleri gösterir.
    6. Şekil 4'te gösterildiği gibi, temel tasarım unsurlarını vurgulayan ve gürültüyü azaltan çıkış özellik haritasını görselleştirin.
  2. BERT kullanılarak metin özellik çıkarımı
    1. BERT (transformatörlerden çiftyönlü kodlayıcı temsilleri) modelini başlatarak aşama betiklerini işleyebilir.
    2. Doğal dil betiklerini, kelime gömme kullanarak sürekli vektörlere dönüştürerek anlamsal anlamı yakalamak. Özellik çıkarma yapısı için Tablo 3'e bakınız.
    3. Token gömmeleri, segment gömmeleri ve konumsal gömmeleri kodlayıcıya girdiler olarak birleştirin.
    4. Şekil 5'te gösterildiği gibi transformatör kodlayıcı birimi adımlarını (Multi-Head Dikkat, Ekle ve Norm, İleriye Besleme) çalıştırarak bağlamsallaştırılmış token dizileri oluşturulur.
    5. Çıktı bağlamlı token dizilerini (BERT'ten) görsel özellik haritaları (ViT'den) ile birleştirin. Bu birleşmiş multimodal veriyi doğrudan koşullu giriş vektörü olarak Adım 4'teki GAN iyileştirme modülüne aktarın.
  3. İlk konsept üretimi
    1. Çıkarılmış metin özelliklerini (BERT'ten) ve görsel özellikleri (ViT'den) Diffüzyon Modeli'ne girin.
    2. Entegre multimodal özelliklere dayalı ilk 2D kavramsal aşama tasarımları oluşturun.
    3. Bu ilk 2B kavramları, 4. adımda Üretken Düşman Ağı'na (GAN) temel girdiler olarak aktararak daha fazla doku ve aydınlatma iyileştirmesi sağlanır.

4. GAN kullanarak doku ve aydınlatma iyileştirmesi

  1. Üretken düşman ağı (GAN) Kurulumu
    1. Şekil 6'da gösterildiği gibi bir Jeneratör (H) ve bir Ayırıcı (C)'den oluşan GSAD iyileştirme modülünü oluşturun.
    2. Discriminator'u gerçek sahne görüntüleri ile oluşturulanları ayırt edecek şekilde yapılandırın, Generator'u ise gerçekçi dokular ve aydınlatma oluşturmak için ayarlayın.
  2. Eğitim ve optimizasyon
    1. Daha iyi bir istikrar için koşullu değişkenler (y) getirilerek Koşullu GAN (CGAN) için hedef fonksiyonu Denklem 9'u kullanarak tanımlayın:
      figure-protocol-10 (9)
      Burada x, giriş aşaması tasarım koşulunu temsil eder, y gerçek hedef görüntünü, z rastgele gürültü vektörünü, G jeneratörü ve D ayırıcı olur.
    2. Düşük ışıkta görüntü iyileştirmesi için, ışıkla güçlendirilmiş görüntü çıktısını optimize etmek amacıyla Denklem 10'u uygulayın (Hdüşük):
      figure-protocol-11 (10)
      U(C, H) hedef değer fonksiyonunu temsil eder, H Jeneratör ağı, C Ayırıcı (Eleştirel) ağı, w O verisi dağılımından örneklenen gerçek veriyi temsil eder, y giriş koşunu, z koşullu gürültü değişkeni, qha gerçek yüksek kaliteli sahne görüntülerini ve HLow düşük ışık girişlerinden çıkan jeneratörün çıkışını gösterir.
    3. Özellik dönüşümüne uyarlanabilir modülasyon uygulayın, Denklem 11 kullanılarak uygulanır:
      figure-protocol-12 (11)
      hE i(w) katman i'deki özellik haritasını temsil ederken, i ve β α öğrenilen parametrelerle adaptif modülasyon fonksiyonunu gösterir; figure-protocol-13 katman ağırlığıdır ve yanlılıktır.
    4. Uzamsal detayları korumak için Denklemler 12 ve 13'ü kullanarak üretken ağda atlama bağlantıları ve havuzlama katmanları uygulayın:
      figure-protocol-14(12)
      figure-protocol-15 (13)
      Burada Skip(w), konvolüsyon bloklar hE'den atlama bağlantılarıyla korunan özellikleri gösterir ve Hjw, kodlayıcı aşamalarında maksimum havuzlamadan sonra çıktı özellik haritasını temsil eder (0 < j ≤ 3).
  3. Görüntü yeniden yapılandırması
    1. Çözümleme aşamasında denklem 14 ve 15 kullanılarak yukarı örnekleme ve birleştirme işlemi yapılacaktır:
      figure-protocol-16(14)
      figure-protocol-17 (15)
      Yukarı(w) yukarı örneklenmiş özellikleri karşılık gelen atlama(w) bağlantılarıyla birleştirirken, v°Hj-1(w) dekoder aşamalarına (4 < j ≤7) birleşik girişi gösterir ve hout(w) ise son katmanın ağırlıkları X8 ve önyargı 8 kullanılarak sigmoid aktivasyon fonksiyonu aracılığıyla üretilen son rafine aşama görüntüsüdür.
    2. Denklem 16'daki sigmoid aktivasyon fonksiyonunu kullanarak nihai rafine görüntü çıktısını üretin:
      figure-protocol-18(16)
    3. Algoritma 1'de (GAN-Doku Aydınlatma Geliştirme Sözde Kodu) belirtilen yinelemeli eğitim prosedürünü takip edin.
    4. .

Algoritma 1: GAN-dokusu aydınlatma iyileştirmesinin sözde kodu
Giriş: Düşük ışıkta sahne sanatı görüntüsü H(düşük), eğitim iterasyonları sayısı N, parti boyutu B
Çıktı: Geliştirilmiş görüntü H geliştirilmiş
1: H parametreleriyle Jeneratörü başlatma
2: C parametreleriyle ayrımcıyı başlatın
3: öğrenme oranları figure-protocol-19
4: koşullu değişken z (GAN için isteğe bağlı)
5: i ve β i α  adaptif modülasyon parametreleri
6: Bağlantıları atla listeyi atla(w)
7: iterasyon için = 1'den F'ye do
Ayrımcı Eğitimi
8: Gerçek görüntülerden bir dizi örnek alın figure-protocol-20
9: Gürültü/rastgele düşük ışık görüntüleri örnekleyin
10: CGAN ise, koşullu değişken z'yi girdilere ekleyin
Sahte görüntüler oluştur
Hesap ayrımcı kaybı
Ayrımcı parametrelerini güncelle
Jeneratör Eğitimi
Sahte görüntüler oluştur
Hesaplama üreteci kaybı
Üretici parametrelerini güncelle
j = 1'den 3'e kadar yap

figure-protocol-21

figure-protocol-22

son
11: Darboğaz konvolüsyonu
12: Kod çözücü/upsampling
j = 5'e 7 için

figure-protocol-23

son
13: Çıkış katmanı

figure-protocol-24

14: son
15: geri dönüş H ve C güçlendirilmiş

5. Sahne düzeni optimizasyonu (IECO)

  1. IECO başlatma
    1. Aşama unsurlarının mekansal düzenini optimize etmek için akıllı fil klan optimizasyonu (IECO) algoritmasını başlatın.
    2. "Fil" (potansiyel tasarım çözümlerini temsil eden) ve ilgili klanların popülasyonunu tanımlayın. IECO akış şeması için Şekil 7'ye bakınız.
  2. Hareket ve evrim
    1. Her filin bağımsız hareketini hesaplayarak tasarım alanını keşfetmek için Denklemler 17 ve 18 kullanılarak hesaplayın:
      figure-protocol-25 (17)
      figure-protocol-26 (18)
      Buradafigure-protocol-27, minimum (figure-protocol-28) ile maksimum (figure-protocol-29) adım boyutu arasında sınırlanan rastgele dağılım faktörü r kullanılarak hesaplanan hareket artışını temsil eder ve figure-protocol-30 filin güncellenmiş bağımsız mekansal konumudur.
    2. Çözüm geliştikçe yakınsamayı kolaylaştırmak için Denklem 19'u kullanarak hareket aralığını zamanla azaltın.
    3. Matriarch Güncellemesi: Klan liderinin (matriarch) konumunu Denklem 20 kullanarak küresel en iyi çözüme doğru güncelleyin:
      figure-protocol-31 (19)
      Burada figure-protocol-32 yeni güncellenmiş matriarch pozisyonunu temsil eder, figure-protocol-33 ağırlıklı mevcut pozisyondur, figure-protocol-34 şu ana kadar bulunan küresel en iyi yerleşim çözümüdür ve β en iyi çözümün etkisini kontrol eden bir ölçek faktörü olarak görev yapar.
    4. Erkek fil güncellemesi: Klan merkezine göre erkek fil konumlarını 21 ve 22 denklemleri kullanarak güncelleme:
      figure-protocol-35 (20)
      figure-protocol-36 (21)
      Erkek filin figure-protocol-37 güncellenmiş konumunu temsil eden yerfigure-protocol-38, mevcut referans konumudur, XCenterjs tüm erkek üyelerden hesaplanan aile klanının merkezi konumunu gösterir, Md klandaki erkek aile üyelerinin toplam sayısıdır ve r ile p klan merkezine doğru hareketi yönlendiren rastgele dağılım olasılıklarıdır.
  3. Nüfus yenilemesi
    1. Klan Merkezini Hesaplayın: Öncelikle, düzen çözümlerinin uygunluğunu değerlendirin. Sonra, her aile klanının merkezi konumunu (figure-protocol-39) Denklem 22 ile hesaplayın; burada Mf, aile üyelerinin sayısıdır:
      figure-protocol-40 (22)
    2. Yetişkin fil ikamesi: Yakınsama hızını artırmak için, alt "yetişkin filler" (çözümler) klan merkezinden üretilen üstün olanlarla değiştirilir. Yeni konumu hesaplamak için Denklem 23'ü uygulayın (figure-protocol-41):
      figure-protocol-42(23)
      Yetişkin figure-protocol-43 fillerin merkezi konumunu temsil ederken, Mf yetişkin aile üyelerinin sayısıdır, figure-protocol-44 alt yetişkin bir yetişkin filin yeni hesaplanan yerine geçiş pozisyonunu gösterir, figure-protocol-45 değiştirilen referans pozisyonu ve figure-protocol-46 figure-protocol-47 klandaki üst pozisyonları temsil eder; bu pozisyon yakınsamayı hızlandırmak için değişim sürecini yönlendirir.
      (NOT: Burada figure-protocol-48 ve figure-protocol-49 değişimi yönlendirmek için kullanılan orta ağırlıklı pozisyonları temsil etmektedir.)
    3. Genç fil ikamesi: Yerel optimaları önlemek ve çeşitliliği korumak için, en zayıf "genç filleri" (figure-protocol-50). Bu elementlerin konumlarını Denklem 24 kullanarak güncelleyin:
      figure-protocol-51 (24)
      Burada figure-protocol-52 en zayıf genç filin mevcut konumunu gösterir ve figure-protocol-53 yeni oluşturulan konumudur. Bu değişim, optimizasyon sürecinin yerel optimuma düşmesini önlemek ve mekânsal çeşitliliği korumak için rastgele bir faktör r ve üstün klan üyeleri tarafından yönlendirilir.
    4. Sonlandırma: Güncellenmiş klanları birleştirin, uygunluğu yeniden hesaplayın ve Algoritma 2'de detaylandırıldığı gibi sonlandırma kriterleri karşılanana kadar optimizasyon döngüsünü tekrarlayın.

Algoritma 2: Sahne düzeni ve aydınlatma yerleşimini optimize etmek için IECO'nun sözde kodu
Giriş: Popülasyon büyüklüğü M:, maksimum yinelemeler Xmax:
Çıktı: En uygun sahne düzeni ve aydınlatma yerleşimi
Fil klanlarını rastgele pozisyonlarla başlatın (sahne düzeni + aydınlatma parametreleri)
Her filin uygunluğunu değerlendirin
t = 1'den Xmax'a kadar:
Her klan için:
Matriarch (en iyi fil), erkek filler ve genç fil bağımsız hareketi
Her fil için:
Hareket artışını hesaplama ΔX max
Bağımsız pozisyonu güncelleme figure-protocol-54
Yinelemelerde hareket menzilini azalt
Matriarch Güncellemesi

figure-protocol-55

Her ana arxi için:
Konumu küresel en iyiye doğru güncelleyin
Erkek Fil Güncellemesi

figure-protocol-56

figure-protocol-57

Her erkek fil için
Klan merkezini hesaplayın ve konumu yetişkin değişimiyle merkeze doğru güncelleyin

figure-protocol-58

figure-protocol-59

Yetişkinlerin klan merkezini hesaplayın
Düşük yetişkinleri küçük Fil Yerine Üstün Fil Değişimi ile değiştirin

figure-protocol-60

Çeşitliliği korumak için en zayıf genç filleri değiştirin
Güncellenmiş klanları birleştir, tüm fillerin uygunluğunu yeniden hesapla ve küresel en iyi çözümü güncelle
Küresel en iyi sahne düzeni ve aydınlatma düzenini geri getirin

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Şekil 1'den 7'ye ve Tablo 1'den 3'e kadar belirtildiği gibi, deneysel kurulum ve analitik iş akışı, GSAD çerçevesinin veri ön işlemesi, özellik çıkarımı ve düzen optimizasyonu için sağlam bir temel sağlamıştır.

Model eğitim dinamikleri ve yakınsaması
GSAD çerçevesinin deneysel değerlendirmesi, sahne sanatı tasarımındaki etkinliğine dair önemli nicel ve niteliksel veriler or...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışmanın temel katkısı, sahne sanatı tasarımının kavramsallaştırılmasını standartlaştıran tekrarlanabilir yapay zeka destekli bir işakışının geliştirilmesidir 2,10. GSAD çerçevesine odaklanarak, yazarlar geleneksel sahne çizelgesinde yaygın olan manuel fikir ve öznel yorumlama sınırlamalarını aşan yapılandırılmış bir metodoloji sunarlar. Protokol içinde kritik bir adım, doku ve aydınlatma iyileştirmesi için GAN'ların entegra...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Yazar, GSAD çerçevesinin geliştirilmesi ve uygulanması sırasında verdikleri içgörülü geri bildirim ve teknik destek için Shanghai Minhang Politeknik'teki meslektaşlarına içten teşekkürlerini sunmak ister. Bu protokolde kullanılan çok modlu yapay zeka modellerinin eğitimini ve doğrulanmasını kolaylaştıran temel hesaplama araçlarını ve kamuya açık veri setlerini sağladıkları için açık kaynak topluluğuna özel teşekkürler. Ayrıca, bu çalışmanın ilk taslakları hakkında yapıcı önerilerde bulunan meslektaşlarımı da takdir ediyorum. Bu araştırma, kamu, ticari veya kar amacı gütmeyen sektörlerdeki finansman kuruluşlarından özel bir hibe almamıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
BERT (Transformers'dan Çift Yönlü Kodlayıcı Temsilleri)Sarılma Yüzü TransformatörleriAçık Kaynak
Python Programlama DiliPython Yazılım Vakfı3.8 veya üzeri sürümler
PyTorch Derin Öğrenme ÇerçevesiLinux Vakfı / Meta AISürüm 2.0.1 veya üzeri
Sahne Sanatı Tasarımı Veri SetiKaggle DeposuHerkese Açık
Vision Transformer (ViT) UygulamasıPyTorch Görsel Modelleri (timm)Açık Kaynak
GPU yeteneklerine sahip iş istasyonuN/A (Standart Donanım)Yok

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

retken ModellemeDif zyon Modelleriretken eki meli A larAk ll Fil S r s Optimizasyonuok Modlu renmeG rsel Tutarl l k

İlgili makaleler