Neural map style transfer exploration with GANs
Résumé
Neural Style Transfer is a Computer Vision topic intending to transfer the visual appearance or the style of images to other images. Developments in deep learning nicely generate stylized images from texture-based examples or transfer the style of a photograph to another one. In map design, the style is a multi-dimensional complex problem related to recognizable visual salient features and topological arrangements, supporting the description of geographic spaces at a specific scale. The map style transfer is still at stake to generate a diversity of possible new styles to render geographical features. Generative adversarial Networks (GANs) techniques, well supporting image-to-image translation tasks, offer new perspectives for map style transfer. We propose to use accessible GAN architectures, in order to experiment and assess neural map style transfer to ortho-images, while using different map designs of various geographic spaces, from simple-styled (Plan maps) to complex-styled (old Cassini, Etat-Major, or Scan50 B&W). This transfer task and our global protocol are presented, including the sampling grid, the training and test of Pix2Pix and CycleGAN models, such as the perceptual assessment of the generated outputs. Promising results are discussed, opening research issues for neural map style transfer exploration with GANs.
En vision par ordinateur, le transfert de style neuronal vise à transférer le style d'images vers d'autres images et de générer des images stylisées. En cartographie, le style est un problème complexe, multi-dimensionnel, composé de caractéristiques visuelles saillantes et d'arrangements topologiques reconnaissables issus des choix graphiques réalisés pour représenter un espace géographique à une échelle donnée. Le transfert de styles est un enjeu pour générer une diversité de nouveaux styles pour représenter des objets géographiques. En apprentissage profond, les réseaux antagonistes génératifs (GAN) sont une classe d'algorithmes d'apprentissage non supervisé, supportant très bien des tâches de création et modification d'image à image, intéressants pour le transfert de style cartographique. Nous expérimentons et évaluons des architectures GAN, pour tester le transfert de styles à des ortho-images, à partir de différents styles cartographiques pour différents espaces géographiques, du plus simple (Plan de ville) aux plus complexes (cartes de Cassini, Etat-Major ou Scan50 N&B). Cette tâche de transfert et notre protocole global, la grille d'échantillonnage, l'entraînement, le test des modèles Pix2Pix et CycleGAN, et l'évaluation perceptuelle des résultats générés sont présentés. Cette expérimentation donne des résultats prometteurs, ouvrant des pistes de recherche pour le transfert de style neuronal cartographique.