Para generar los paisajes que ambientan los videojuegos y los mundos virtuales hay dos estrategias. La primera requiere generar el terreno a mano y llenarlo con los colores y texturas apropiados, como rocas, césped, árboles, nieve y así sucesivamente. Los resultados son de gran calidad, pero también son caros debido al trabajo humano que requieren.

El segundo método consiste en generar el paisaje algorítmicamente, un proceso mucho más rápido y barato. Gracias a él, los jugadores del juego Minecraft acceden un paisaje totalmente nuevo cada vez que jueguen. Los algoritmos responsables del proceso están bien desarrollados, y los programadores los han ido perfeccionando a lo largo de los años para producir diferentes climas, texturas, variaciones de altura y más. Pero los nuevos algoritmos de generación de paisajes son muy caros y complicados de desarrollar. Así que sería muy útil disponer de un proceso automatizado para crearlos.

Esto podría cambiar gracias al trabajo de los investigadores del Instituto de Algoritmos de Aprendizaje de Montreal (Canadá) Christopher Beckham y Christopher Pal. El equipo ha entrenado una máquina de aprendizaje profundo para generar paisajes realistas a partir de imágenes de satélite de la Tierra como conjunto de datos de entrenamiento. El resultado es que la máquina escribe su propio algoritmo, un trabajo que promete cambiar significativamente el proceso de generar paisajes artificiales sobre la marcha.

El sistema que explotan Beckham y Pal se llama red antagonista generadora. Consiste en dos máquinas de aprendizaje profundo que colaboran para abordar un problema, en este caso, la creación de un paisaje realista.

La primera máquina genera nuevos terrenos mientras que la segunda evalúa los resultados y proporciona retroalimentación. Gracias a esa información, la primera produce otro conjunto de paisajes, que la segunda evalúa, y así sucesivamente. La idea es que la segunda máquina aprenda a producir paisajes que coincidan con las expectativas de la primera máquina.

Evidentemente, una parte importante de este proceso consiste en que la primera máquina aprenda qué aspecto debe tener un paisaje ideal. En el mundo del aprendizaje profundo, este tipo de tarea es muy simple siempre que haya una gran base de datos de imágenes de la que aprender, como pasa con el reconocimiento de caras y objetos. Pero hasta la fecha, nadie había usado la tecnología para generar paisajes.

Así que el primer objetivo de Beckham y Pal fue generar una base de datos de imágenes de entrenamiento. Resulta que este tipo de datos están disponibles gracias al programa Visible Earth de la NASA, que ha creado un mapa detallado de nuestro planeta natal, que incluye datos de altura, forma y color.

Las imágenes de la NASA son enormes: 21.600 píxeles por 10.800 píxeles. Muestran el planeta entero, dado que cada pixel equivale a un kilómetro cuadrado en superficie. Beckham y Pal definieron una ventana aleatoria de 512x512 píxeles y la desplazaron sobre el mapa para crear una gran base de datos de imágenes para el entrenamiento. Eliminaron todas las imágenes mayoritariamente negras (es decir, que mostraban únicamente el océano) para que el entrenamiento no resultara demasiado trivial. La investigación detalla: "Las texturas de la colección describen distintos biomas, como la selva, el desierto y el ártico".

A continuación, utilizaron este conjunto de datos para entrenar una máquina de aprendizaje profundo para reconocer terrenos realistas de la Tierra de varios tipos. Después, instalaron otra máquina de aprendizaje profundo para generar imágenes de 512x512 píxeles al azar, las cuales se enviaban a la primera máquina, ya entrenada, que los evaluaba y enviaba sus comentarios.

Al principio, por supuesto, los paisajes generados no eran más que pobres representaciones pobres del terreno terrestre. Pero tras muchas iteraciones, la máquina aprendió a producir paisajes que recibieron buenas evaluaciones. Llegada a este punto, la máquina es capaz de generar nuevos terrenos semejantes a la Tierra continuamente.

Pero las imágenes no son perfectas. Pueden contener elementos del proceso de aprendizaje que no se ajustan a las características del mundo real. Aunque según los investigadores, esto puede resolverse con configuraciones algorítmicas más profundas o incluso borrando las imágenes a mano.

Está claro que aún queda más trabajo por hacer, pero los investigadores parecen contentos con su resultado. La investigación detalla: "Hemos logrado un primer paso razonable hacia la generación automática de terrenos basada en datos del mundo real".

Es un trabajo interesante que tiene una amplia gama de aplicaciones. Para empezar, la base de datos de entrenamiento no tiene por qué basarse en la Tierra. La NASA también tiene mapas en detalle de la Luna, Marte, Titán y de varios otros lugares del sistema solar que podrían ser utilizadas para entrenar redes similares. Así que juegos como Minecraft podrían empezar a adoptar un aspecto lunar o marciano con pocos esfuerzos humanos.

Y la base de datos de entrenamiento ni siquiera necesita asociarse a un paisaje o a un terreno. Los investigaciones afirman: "Uno puede imaginar la misma aplicación enfocada a la síntesis de mallas 3D que después son texturizadas (por ejemplo, las caras)". Este enfoque podría resultar interesante para una amplia gama de fabricantes de juegos y otros productos. "Este tipo de posibilidades sirven no sólo para promover experiencias de entretenimiento más ricas sino también para proporcionar herramientas útiles para ayudar a los productores de contenido (por ejemplo, los artistas 3D) en su trabajo", concluyen Beckham y Pal.

Ref: arxiv.org/abs/1707.03383: A Step Towards Procedural Terrain Generation With GANs