通过大量的数据训练是可以实现的，AI通过聆听街道背景音乐生成准确的街道图像的技术已经得到了实现。这项技术被称为“声音到图像扩散模型”，由德克萨斯大学奥斯汀分校的康宇豪副教授及其同事开发。该模型在一个包含10秒钟视听片段的数据集上进行了训练，这些片段由静态图像和环境声音组成，取自YouTube上的北美、亚洲和欧洲的城市和乡村街道视频。
利用深度学习算法，该系统学会了哪些声音与图像中的哪些项目相对应，以及哪些声音质量与哪些视觉环境相对应。训练完成后，系统的任务是根据100个其他街景视频录制的环境声音生成图像，每个视频生成一张图像。
在测试中，一个人类评委小组在聆听图像所依据的视频背景音乐的同时，向他们展示了每张图像以及两张生成的其他街道图像。当他们被要求识别三幅图像中哪一幅与配乐相对应时，他们的平均准确率达到了80%。此外，在对生成的图像进行计算机分析时，发现它们与原始视频中开阔天空、绿色植物和建筑物的相对比例“密切相关”。这项技术展示了AI如何将音频信号转化为视觉图像，实现了通过街道背景音乐生成准确的街道图像的目标，这在多个领域，如城市规划、虚拟现实和娱乐产业等，都具有潜在的应用价值。
网友回复
我知道答案，我要回答
私活外包
最新提问
如何修改别人发给我的微信笔记内容？
fbx、obj、glb三维格式模型如何在浏览器中通过three相互转换格式？
python如何实现基于http隧道加密的正向代理服务？
有没有有专门针对 UI 界面截图进行智能标记（Set-of-Mark, SoM） 的开源库和工具？
如何用python实现Set-of-Mark (SoM) 技术？
python如何截取windows指定应用的窗口截图，不用管窗口是不是在最前面？
linux能不能给rm删除命令增加回收站功能，可恢复被删文件？
bfwsoa如何在命令行中执行控制器动作器方法？
RAG（检索增强生成）和 KG（知识图谱）有啥不同？
KVM硬件是啥？
