Mike Tika maluje portrety nieistniejących ludzi. Jednak nie używa do tego pędzla, ale „wyobraźnię” sieci neuronowej.
Interesują mnie twarze ludzi, dużo można w nich przeczytać. Fascynuje mnie ten projekt, ponieważ uwielbiam zastanawiać się, kim byliby ci ludzie, gdyby naprawdę istnieli.
Mike spędził około dziewięciu miesięcy rozwijając projekt Portraits of Imaginary People, który był następstwem Incepcjonizmu i Kostki Groovika.
GAN, generatywne sieci przeciwstawne
W swoim projekcie Mike wykorzystał generatywne sieci przeciwstawne (GAN):
Zacząłem eksperymentować z GANem w instalacji, którą zrobiłem z Refik Anadol, gdzie użyliśmy tej techniki do wygenerowania wyimaginowanych dokumentów historycznych z dużego archiwum. Po zakończeniu projektu na nowo przyjrzałem się portretom tą metodą.
Film promocyjny:
Powiedzmy, że chcesz, aby GAN przedstawiał kota. Aby rozpocząć, potrzebujesz dużej liczby zdjęć kotów. Następnie musisz przygotować model do stworzenia obrazu kota, który uwzględniałby wszystkie cechy zwierzęcia: wąsy, łapy, ogon. Jako podstawowy zestaw danych do uczenia maszynowego, Mike wykorzystał około 20 000 wysokiej jakości obrazów z serwisu Flickr.
Ale to dopiero pierwszy krok. Aby uzyskać realistyczny obraz kota, a nie szkic cyfrowy, musisz utworzyć drugą sieć neuronową znaną jako dyskryminator. Podczas gdy pierwsza sieć neuronowa (generator) stworzy zdjęcia kotów, druga (dyskryminator) sprawdzi pracę pierwszej z rzeczywistymi zdjęciami kotów i sprawdzi, czy są one wiarygodne. Na podstawie wyników system dostosowuje parametry generatora, aby obraz wyjściowy był bardziej realistyczny.
Jeśli korzystasz tylko z jednej sieci, rozmiar obrazu wyjściowego będzie się wahał od 128 × 128 do 256 × 256 pikseli. Aby zwiększyć rozmiar obrazów, musisz zebrać kilka oddzielnie przygotowanych GAN-ów, aby następny poziom był dyskryminatorem poprzedniego. Ten krok pozwoli podnieść jakość obrazu, a rozmiar będzie się wahał od 768 × 768 do 1024 × 1024 pikseli.
Ostatecznie Mike chce generować zdjęcia 4K, ale w tej chwili trudno mu znaleźć zestaw danych do trenowania systemu:
GAN jest trudny do trenowania i trudny do kontrolowania. Musisz uważnie monitorować dane wejściowe, upewnić się, że wszystkie obrazy mają wysoką rozdzielczość, nie mają artefaktów i nie są rysowane. Trudno jest porównać różne przebiegi o różnych parametrach, ponieważ nie ma dobrego, spójnego wskaźnika wydajności danej sieci. A tworzenie obrazu wyjściowego zajmuje bardzo dużo czasu. Ale mój projekt powstał nie ze względu na trafne wyniki czy wskaźniki, ale przede wszystkim ze względu na sztukę, która powinna inspirować i skłaniać do myślenia.
Dmitrij Aleksandrow