Mike Tika maler portretter av ikke-eksisterende mennesker. Imidlertid bruker han ikke en børste til dette, men "fantasien" til et nevralt nettverk.
Jeg er interessert i ansiktene til folk, du kan lese mye i dem. Jeg er fascinert av dette prosjektet, fordi jeg elsker å reflektere over hvem disse menneskene ville være hvis de virkelig eksisterte.
Mike brukte omtrent ni måneder på å utvikle Portraits of Imaginary People-prosjektet, som fulgte Inceptionism og Groovik's Cube.
GAN, generative motstandernettverk
I prosjektet sitt brukte Mike Generative adversarial networks (GAN):
Jeg begynte å eksperimentere med GAN i en installasjon jeg gjorde med Refik Anadol, der vi brukte denne teknikken til å generere imaginære historiske dokumenter fra et stort arkiv. Etter å ha fullført prosjektet, tok jeg en ny titt på portretter ved hjelp av denne metoden.
Kampanjevideo:
La oss si at du vil at GAN skal skildre en katt. For å komme i gang trenger du et stort antall kattebilder. Etter det må du forberede en modell for å lage et bilde av en katt, som tar hensyn til alle funksjonene til dyret: kinnskjegg, poter, hale. Akkurat som et baseline datasett for maskinlæring, brukte Mike omtrent 20 000 bilder av høy kvalitet fra Flickr.
Men dette er bare det første trinnet. For å få et realistisk bilde av en katt og ikke en digital skisse, må du opprette et andre nevrale nettverk kjent som en diskriminator. Mens det første nevrale nettverket (generator) vil lage bilder av katter, vil det andre (diskriminatoren) sjekke arbeidet til det første med ekte bilder av katter og finne ut om de er pålitelige. Basert på resultatene justerer systemet generatorparametrene for å gjøre utgangsbildet mer realistisk.
Hvis du bare bruker ett nettverk, vil utgangsbildestørrelsen variere fra 128 × 128 til 256 × 256 piksler. For å øke størrelsen på bildene, må du samle flere GAN-er som er utarbeidet separat, slik at neste nivå er diskriminatoren fra det forrige. Dette trinnet vil kunne øke kvaliteten på bildet, og størrelsen vil variere mellom 768 × 768 og 1024 × 1024 piksler.
Til slutt vil Mike generere 4K-bilder, men for øyeblikket er det vanskelig for ham å finne et datasett for å trene systemet:
GAN er vanskelig å trene og vanskelig å kontrollere. Du må nøye overvåke inngangsdataene, sørge for at alle bildene har høy oppløsning, ikke har artefakter og ikke er tegnet. Det er vanskelig å sammenligne forskjellige løp med forskjellige parametere fordi det ikke er noen god, stabil indikator på hvor godt et bestemt nettverk utfører. Og det tar veldig lang tid å bygge utgangsbildet. Men prosjektet mitt ble ikke opprettet for nøyaktige resultater eller indikatorer, men først og fremst for kunstens skyld, som burde inspirere og få deg til å tenke.
Dmitry Alexandrov
