Mike Tika slika portrete nepostojećih ljudi. Međutim, za to ne koristi četku, već "maštu" neuronske mreže.
Zanimaju me lica ljudi, na njima možete puno pročitati. Fasciniran sam ovim projektom, jer volim razmišljati o tome tko bi ti ljudi bili da zaista postoje.
Mike je proveo oko devet mjeseci razvijajući projekt Portreti imaginarnih ljudi, koji je slijedio Incepcionizam i Groovikovu kocku.
GAN, generativne kontradiktorne mreže
U svom je projektu Mike koristio Generative adversarial network (GAN):
Počeo sam eksperimentirati s GAN-om u instalaciji koju sam radio s Refikom Anadolom, gdje smo ovom tehnikom generirali zamišljene povijesne dokumente iz velike arhive. Nakon završetka projekta, pogledao sam portrete ovom metodom.
Promotivni video:
Recimo da želite da GAN prikazuje mačku. Za početak vam je potrebno puno mačjih fotografija. Nakon toga morate pripremiti model za stvaranje slike mačke koji bi uzimao u obzir sve značajke životinje: brkove, šape, rep. Baš kao osnovni skup podataka za strojno učenje, Mike je koristio oko 20 000 slika visoke kvalitete s Flickra.
Ali ovo je samo prvi korak. Da biste dobili realnu sliku mačke, umjesto digitalne skice, morate stvoriti drugu neuronsku mrežu poznatu kao diskriminator. Dok će prva neuronska mreža (generator) stvarati slike mačaka, druga (diskriminator) će usporediti rad prve sa stvarnim slikama mačaka i utvrditi jesu li pouzdane. Na temelju rezultata, sustav prilagođava parametre generatora kako bi izlazna slika bila realnija.
Ako koristite samo jednu mrežu, tada će se veličina izlazne slike kretati od 128 × 128 do 256 × 256 piksela. Da biste povećali veličinu slika, morate prikupiti nekoliko odvojeno pripremljenih GAN-ova, tako da sljedeća razina bude diskriminator prethodne. Ovim korakom moći će se podići kvaliteta slike, a veličina će varirati između 768 × 768 i 1024 × 1024 piksela.
U konačnici, Mike želi generirati 4K fotografije, ali trenutno mu je teško pronaći skup podataka za obuku sustava:
GAN je teško trenirati i teško ga je kontrolirati. Morate pažljivo nadzirati ulazne podatke, paziti da sve slike budu visoke rezolucije, da nemaju artefakte i da nisu crtane. Teško je uspoređivati različite pokrete s različitim parametrima jer ne postoji dobar, stabilan pokazatelj izvedbe određene mreže. A izlazna slika traje jako dugo. Ali moj projekt nije stvoren radi točnih rezultata ili pokazatelja, već prvenstveno radi umjetnosti, koja bi vas trebala nadahnuti i potaknuti na razmišljanje.
Dmitrij Aleksandrov
