Mike Tika maluje portréty neexistujících lidí. K tomu však nepoužívá štětec, ale „představivost“neuronové sítě.
Zajímají mě tváře lidí, můžete v nich hodně číst. Tento projekt mě fascinuje, protože rád přemýšlím o tom, kdo by tito lidé byli, kdyby skutečně existovali.
Mike strávil zhruba devět měsíců vývojem projektu Portréty imaginárních lidí, který následoval po Inceptionism a Groovik's Cube.
GAN, generativní nepřátelské sítě
Ve svém projektu Mike použil generativní kontradiktorní sítě (GAN):
Začal jsem experimentovat s GAN v instalaci, kterou jsem udělal s Refik Anadol, kde jsme touto technikou generovali imaginární historické dokumenty z velkého archivu. Po dokončení projektu jsem se touto metodou znovu podíval na portréty.
Propagační video:
Řekněme, že chcete, aby GAN vylíčila kočku. Chcete-li začít, potřebujete velké množství fotografií koček. Poté musíte připravit model pro vytvoření obrazu kočky, který by zohledňoval všechny vlastnosti zvířete: vousy, tlapky, ocas. Stejně jako základní datový soubor pro strojové učení použil Mike asi 20 000 vysoce kvalitních obrázků z Flickru.
Ale to je jen první krok. Chcete-li získat realistický obraz kočky, nikoli digitální skicu, musíte vytvořit druhou neurální síť známou jako diskriminátor. Zatímco první neuronová síť (generátor) vytvoří obrázky koček, druhá (diskriminátor) porovná práci první se skutečnými obrázky koček a zjistí, zda jsou spolehlivé. Na základě výsledků systém upraví parametry generátoru, aby byl výstupní obraz realističtější.
Pokud používáte pouze jednu síť, velikost výstupního obrazu se bude pohybovat od 128 × 128 do 256 × 256 pixelů. Chcete-li zvětšit velikost obrázků, musíte shromáždit několik samostatně připravených sítí GAN, aby další úroveň byla diskriminační pro předchozí. Tento krok bude schopen zvýšit kvalitu obrazu a velikost se bude pohybovat mezi 768 × 768 a 1024 × 1024 pixely.
Nakonec chce Mike generovat fotografie v rozlišení 4K, ale v tuto chvíli je pro něj obtížné najít datovou sadu pro trénování systému:
GAN je obtížné trénovat a obtížně se ovládá. Musíte pečlivě sledovat vstupní data, ujistit se, že všechny obrázky mají vysoké rozlišení, neobsahují artefakty a nejsou nakresleny. Je obtížné porovnávat různé běhy s různými parametry, protože neexistuje dobrý, konzistentní indikátor toho, jak si konkrétní síť vede. A vytváření výstupního obrazu trvá velmi dlouho. Ale můj projekt nebyl vytvořen kvůli přesným výsledkům nebo ukazatelům, ale především kvůli umění, které by vás mělo inspirovat a přimět vás přemýšlet.
Dmitrij Alexandrov