Synthesis of digital landscape surface data

Abstract

Procerurální modelování využívající reálných dat často naráží na nedostatek, kdy je potřeba jemnějších reálných dat, než jsou aktuálně k dispozici. Představujeme metodu, která hrubá data zjemní na lepší rozlišení, k čemuž používá pomocných zdrojů již v cílovém rozlišení. Tato data použijeme na konstrukci statistických modelů predikující jemnější rozlišení vstupních dat. Konkrétně konstruujeme modely vážené lokální lineární regrese, přičemž využíváme TSVD. Naše metoda je snadno modifikovatelná. Díky tomu ji lze prakticky využít například při vývoji simulátorů či jiných aplikací. Powered by TCPDF (www.tcpdf.org)

A procedural generation of landscapes often meets a need for real spatial data at finer resolution that data available at the moment. We introduce a method that refines the spatial data at the coarse resolution into the finer resolution utilizing other data sources which are already at the better resolution. We construct weighted local linear statistical models from both the coarse and utility data and use the by- models-learned dependencies between the data sources to predict the needed data at better resolution. To achieve higher computational speed and evade utility data imperfection, we utilize truncated singular value decomposition which reduce a dimensionality of the data space we work with. The~method is highly modifiable and its application shows plausible real-like results. Thanks to this, the method can be of practical use for simulation software development. Powered by TCPDF (www.tcpdf.org)