Mike Tika maalaa muotokuvia olemattomista ihmisistä. Hän ei kuitenkaan käytä tähän harjaa, vaan hermoverkon "mielikuvitusta".
Olen kiinnostunut ihmisten kasvoista, voit lukea niistä paljon. Olen kiehtonut tästä projektista, koska rakastan miettiä, keitä nämä ihmiset olisivat, jos heitä todella olisi.
Mike käytti noin yhdeksän kuukautta Portraits of Imaginary People -projektin kehittämiseen, joka seurasi inkeptionismia ja Groovikin kuutiota.
GAN, generatiiviset kilpailuun perustuvat verkostot
Projektissaan Mike käytti generatiivisia kontradiktorisia verkkoja (GAN):
Aloin kokeilla GAN: ää asennuksessa, jonka tein Refik Anadolin kanssa, jossa käytimme tätä tekniikkaa kuvitteellisten historiallisten asiakirjojen luomiseen suuresta arkistosta. Projektin valmistuttua tarkastelin muotokuvia uudestaan tällä menetelmällä.
Mainosvideo:
Oletetaan, että haluat GAN: n näyttävän kissan. Aloittamiseen tarvitaan suuri määrä kissakuvia. Sen jälkeen sinun on laadittava malli kissan kuvan luomiseksi, jossa otetaan huomioon kaikki eläimen ominaisuudet: poskiparta, tassut, häntä. Aivan koneen oppimisen perustietojoukkona Mike käytti noin 20 000 korkealaatuista kuvaa Flickriltä.
Mutta tämä on vasta ensimmäinen askel. Jotta saat realistisen kuvan kissasta eikä digitaalista luonnosta, sinun on luotava toinen hermoverkko, joka tunnetaan nimellä syrjivä. Vaikka ensimmäinen hermoverkko (generaattori) luo kuvia kissoista, toinen (erottelija) tarkistaa ensimmäisen työn todellisilla kissakuvilla ja selvittää, ovatko ne luotettavia. Tulosten perusteella järjestelmä säätää generaattorin parametreja, jotta lähtökuva olisi realistisempi.
Jos käytät vain yhtä verkkoa, tulostettavan kuvan koko vaihtelee välillä 128 × 128 - 256 × 256 pikseliä. Kuvien koon lisäämiseksi sinun on kerättävä useita erikseen valmisteltuja GAN-verkkoja, jotta seuraava taso erottaa edellisen tason. Tämä vaihe parantaa kuvan laatua, ja koko vaihtelee välillä 768 × 768 - 1024 × 1024 pikseliä.
Viime kädessä Mike haluaa luoda 4K-valokuvia, mutta tällä hetkellä hänen on vaikea löytää tietoaineistoa järjestelmän kouluttamiseksi:
GAN on vaikea kouluttaa ja vaikea hallita. Sinun on seurattava tarkasti syöttötietoja ja varmistettava, että kaikki kuvat ovat korkean resoluution, niissä ei ole esineitä eikä piirrettyjä. Eri ajoja eri parametreilla on vaikea verrata, koska ei ole olemassa hyvää, johdonmukaista indikaattoria tietyn verkon suorituskyvystä. Ja lähtökuvan rakentaminen kestää hyvin kauan. Projektiani ei kuitenkaan luotu tarkkojen tulosten tai indikaattorien vuoksi, vaan ensisijaisesti taiteen vuoksi, jonka pitäisi innostaa ja saada ajattelemaan.
Dmitry Alexandrov