Mike Tika slika portrete neobstoječih ljudi. Vendar za to ne uporablja čopiča, temveč "domišljijo" nevronske mreže.
Zanimajo me obrazi ljudi, na njih lahko veliko preberete. Ta projekt me navdušuje, saj rad razmišljam o tem, kdo bi bili ti ljudje, če bi v resnici obstajali.
Mike je približno devet mesecev razvijal projekt Portreti domišljijskih ljudi, ki je sledil Incepcionizmu in Groovikovi kocki.
GAN, generativna kontradiktorna omrežja
V svojem projektu je Mike uporabil generativne kontradiktorne mreže (GAN):
Eksperimentirati z GAN sem začel v namestitvi, ki sem jo naredil z Refikom Anadolom, kjer smo s to tehniko ustvarili namišljene zgodovinske dokumente iz velikega arhiva. Po končanem projektu sem si na novo ogledal portrete s to metodo.
Promocijski video:
Recimo, da želite, da GAN upodobi mačko. Za začetek potrebujete veliko število fotografij mačk. Po tem morate pripraviti model, da ustvarite podobo mačke, ki bi upošteval vse značilnosti živali: brki, tace, rep. Tako kot osnovni nabor podatkov za strojno učenje je Mike uporabil približno 20.000 visokokakovostnih slik s Flickr-ja.
Toda to je šele prvi korak. Če želite dobiti realistično podobo mačke in ne digitalne skice, morate ustvariti drugo nevronsko mrežo, imenovano diskriminator. Medtem ko bo prva nevronska mreža (generator) ustvarjala slike mačk, bo druga (diskriminator) preverjala delo prve s stvarnimi slikami mačk in ugotavljala, ali so zanesljive. Na podlagi rezultatov sistem prilagodi parametre generatorja, da je izhodna slika bolj realistična.
Če uporabljate samo eno omrežje, bo velikost izhodne slike od 128 × 128 do 256 × 256 pik. Če želite povečati velikost slik, morate zbrati več ločeno pripravljenih GAN-jev, tako da je naslednja stopnja diskriminator prejšnje. Ta korak bo lahko dvignil kakovost slike, velikost pa se bo gibala med 768 × 768 in 1024 × 1024 slikovnimi pikami.
Na koncu Mike želi ustvariti 4K fotografije, toda trenutno mu je težko najti nabor podatkov za usposabljanje sistema:
GAN je težko trenirati in težko nadzorovati. Pazljivo morate spremljati vhodne podatke, se prepričati, da so vse slike visoke ločljivosti, da nimajo artefaktov in da niso narisane. Težko je primerjati različne vožnje z različnimi parametri, ker ni dobrega, doslednega kazalnika uspešnosti določenega omrežja. In izhodna slika traja zelo dolgo. Toda moj projekt ni nastal zaradi natančnih rezultatov ali kazalnikov, temveč predvsem zaradi umetnosti, ki bi vas morala navdihniti in spodbuditi k razmišljanju.
Dmitrij Aleksandrov