Майк Тика рисува портрети на несъществуващи хора. За това обаче той не използва четка, а „въображението“на невронна мрежа.
Интересуват ме лицата на хората, можете да прочетете много в тях. Очарована съм от този проект, защото обичам да размишлявам кои биха били тези хора, ако наистина съществуват.
Майк прекара около девет месеца в разработването на проекта Portraits of Imaginary People, който последва Inceptionism и Cube на Groovik.
GAN, генеративни състезателни мрежи
В своя проект Майк използва генеративни състезателни мрежи (GAN):
Започнах да експериментирам с GAN в инсталация, която направих с Refik Anadol, където използвахме тази техника за генериране на въображаеми исторически документи от голям архив. След като приключих проекта, хвърлих нов поглед на портрети, използвайки този метод.
Промоционално видео:
Да предположим, че искате GAN да изобрази котка. За да започнете, имате нужда от голям брой снимки на котки. След това трябва да подготвите модел, за да създадете образ на котка, който да отчита всички характеристики на животното: мустаци, лапи, опашка. Точно като изходен набор от данни за машинно обучение, Майк използва около 20 000 висококачествени изображения от Flickr.
Но това е само първата стъпка. За да получите реалистично изображение на котка, а не цифрова скица, трябва да създадете втора невронна мрежа, известна като дискриминатор. Докато първата невронна мрежа (генератор) ще създава снимки на котки, втората (дискриминатор) ще проверява работата на първата с реални снимки на котки и ще разбере дали те са надеждни. Въз основа на резултатите, системата настройва параметрите на генератора, за да направи изходното изображение по-реалистично.
Ако използвате само една мрежа, размерът на изходното изображение ще варира от 128 × 128 до 256 × 256 пиксела. За да увеличите размера на изображенията, трябва да съберете няколко отделно подготвени GAN, така че следващото ниво да бъде дискриминаторът на предишното. Тази стъпка ще може да повиши качеството на изображението и размерът му ще варира между 768 × 768 и 1024 × 1024 пиксела.
В крайна сметка Майк иска да генерира 4K снимки, но в момента му е трудно да намери набор от данни за обучение на системата:
GAN е труден за обучение и труден за контрол. Трябва внимателно да наблюдавате входните данни, да се уверите, че всички изображения са с висока разделителна способност, нямат артефакти и не са изчертани. Трудно е да се сравняват различни писти с различни параметри, защото няма добър, последователен индикатор за това колко добре се представя дадена мрежа. И изходното изображение отнема много дълго време за изграждане. Но моят проект е създаден не заради точните резултати или показатели, а предимно заради изкуството, което трябва да ви вдъхнови и да ви накара да се замислите.
Дмитрий Александров