Mike Tika peint des portraits de personnes inexistantes. Cependant, il n'utilise pas un pinceau pour cela, mais «l'imagination» d'un réseau de neurones.
Je m'intéresse aux visages des gens, on y lit beaucoup. Je suis fasciné par ce projet, car j'aime réfléchir à qui seraient ces personnes si elles existaient vraiment.
Mike a passé environ neuf mois à développer le projet Portraits of Imaginary People, qui a suivi Inceptionism et Groovik's Cube.
GAN, réseaux antagonistes génératifs
Dans son projet, Mike a utilisé les réseaux antagonistes génératifs (GAN):
J'ai commencé à expérimenter avec GAN dans une installation que j'ai faite avec Refik Anadol, où nous avons utilisé cette technique pour générer des documents historiques imaginaires à partir d'une grande archive. Après avoir terminé le projet, j'ai jeté un regard neuf sur les portraits en utilisant cette méthode.
Vidéo promotionelle:
Disons que vous voulez que le GAN représente un chat. Pour commencer, vous avez besoin d'un grand nombre de photos de chats. Après cela, vous devez préparer un modèle pour créer une image d'un chat, qui prendrait en compte toutes les caractéristiques de l'animal: moustaches, pattes, queue. Tout comme un ensemble de données de base pour l'apprentissage automatique, Mike a utilisé environ 20 000 images de haute qualité de Flickr.
Mais ce n'est que la première étape. Pour obtenir une image réaliste d'un chat, plutôt qu'une esquisse numérique, vous devez créer un deuxième réseau neuronal appelé discriminateur. Alors que le premier réseau de neurones (générateur) créera des images de chats, le second (discriminateur) comparera le travail du premier avec de vraies images de chats et découvrira si elles sont fiables. En fonction des résultats, le système ajuste les paramètres du générateur pour rendre l'image de sortie plus réaliste.
Si vous n'utilisez qu'un seul réseau, la taille de l'image de sortie sera comprise entre 128 × 128 et 256 × 256 pixels. Pour augmenter la taille des images, vous devez collecter plusieurs GAN préparés séparément afin que le niveau suivant soit un discriminateur du précédent. Cette étape permettra d'augmenter la qualité de l'image, et la taille variera entre 768 × 768 et 1024 × 1024 pixels.
En fin de compte, Mike souhaite générer des photos 4K, mais il a actuellement du mal à trouver un ensemble de données pour entraîner le système:
Le GAN est difficile à entraîner et à contrôler. Vous devez surveiller attentivement les données d'entrée, vous assurer que toutes les images sont en haute résolution, ne contiennent pas d'artefacts et ne sont pas dessinées. Il est difficile de comparer différentes exécutions avec différents paramètres car il n'y a pas d'indicateur fiable et cohérent des performances d'un réseau particulier. Et l'image de sortie prend un temps très long à construire. Mais mon projet n'a pas été créé pour des résultats ou des indicateurs précis, mais avant tout pour l'art, qui doit inspirer et vous faire réfléchir.
Dmitry Alexandrov
