Mike Tika pinta retratos de pessoas inexistentes. Porém, ele não usa um pincel para isso, mas a "imaginação" de uma rede neural.
Estou interessado nos rostos das pessoas, você pode ler muito neles. Estou fascinado por este projeto, porque adoro refletir sobre quem seriam essas pessoas se realmente existissem.
Mike passou cerca de nove meses desenvolvendo o projeto Portraits of Imaginary People, que se seguiu a Inceptionism e Groovik's Cube.
GAN, redes adversárias geradoras
Em seu projeto, Mike usou redes adversárias geradoras (GAN):
Comecei a experimentar o GAN em uma instalação que fiz com o Refik Anadol, onde usamos essa técnica para gerar documentos históricos imaginários a partir de um grande arquivo. Depois de terminar o projeto, dei uma nova olhada nos retratos usando esse método.
Vídeo promocional:
Digamos que você queira que o GAN retrate um gato. Para começar, você precisa de um grande número de fotos de gatos. Depois disso, você deve preparar um modelo para criar a imagem de um gato, que levaria em consideração todas as características do animal: bigodes, patas, cauda. Apenas como um conjunto de dados de linha de base para aprendizado de máquina, Mike usou cerca de 20.000 imagens de alta qualidade do Flickr.
Mas este é apenas o primeiro passo. Para obter uma imagem realista de um gato, em vez de um esboço digital, você precisa criar uma segunda rede neural conhecida como discriminador. Enquanto a primeira rede neural (gerador) criará imagens de gatos, o segundo (discriminador) comparará o trabalho da primeira com imagens reais de gatos e descobrirá se elas são confiáveis. Com base nos resultados, o sistema ajusta os parâmetros do gerador para tornar a imagem de saída mais realista.
Se você usar apenas uma rede, o tamanho da imagem de saída variará de 128 × 128 a 256 × 256 pixels. Para aumentar o tamanho das imagens, você precisa coletar vários GANs preparados separadamente para que o próximo nível seja o discriminador do anterior. Esta etapa poderá aumentar a qualidade da imagem, e o tamanho irá variar entre 768 × 768 e 1024 × 1024 pixels.
No final das contas, Mike quer gerar fotos em 4K, mas no momento é difícil para ele encontrar um conjunto de dados para treinar o sistema:
GAN é difícil de treinar e difícil de controlar. Você precisa monitorar cuidadosamente os dados de entrada, certifique-se de que todas as imagens sejam de alta resolução, não tenham artefatos e não sejam desenhadas. É difícil comparar execuções diferentes com parâmetros diferentes porque não há um indicador bom e estável de quão bem está o desempenho de uma rede em particular. E a imagem de saída leva muito tempo para ser construída. Mas meu projeto foi criado não por causa de resultados ou indicadores precisos, mas principalmente por uma questão de arte, que deve inspirar e fazer você pensar.
Dmitry Alexandrov
