Das britische Unternehmen DeepMind, das 2014 Teil von Google wurde, arbeitet ständig an der Verbesserung der künstlichen Intelligenz. Im Juni 2018 stellten die Mitarbeiter ein neuronales Netzwerk vor, mit dem 3D-Bilder aus 2D-Bildern erstellt werden können. Im Oktober gingen die Entwickler noch einen Schritt weiter: Sie erstellten ein neuronales BigGAN-Netzwerk, um Bilder von Natur, Tieren und Objekten zu erstellen, die sich nur schwer von echten Fotos unterscheiden lassen.
Wie bei anderen Projekten für künstliche Bilder basiert diese Technologie auf einem generativen kontradiktorischen neuronalen Netzwerk. Denken Sie daran, dass es aus zwei Teilen besteht: einem Generator und einem Diskriminator. Der erste erstellt Bilder und der zweite bewertet ihre Ähnlichkeit mit den Stichproben des idealen Ergebnisses.
In dieser Arbeit wollten wir die Grenze zwischen AI-generierten Bildern und Fotografien aus der realen Welt verwischen. Wir haben festgestellt, dass vorhandene Generierungsmethoden dafür ausreichen.
Verschiedene Bildersätze wurden verwendet, um BigGAN beizubringen, Bilder von Schmetterlingen, Hunden und Futter zu erstellen. Das Training basierte zunächst auf der ImageNet-Datenbank und dann auf dem größeren JFT-300M-Satz von 300 Millionen Bildern, der in 18.000 Kategorien unterteilt war.
Das BigGAN-Training dauerte 2 Tage. Es wurden 128 Google Tensor-Prozessoren benötigt, die speziell für maschinelles Lernen entwickelt wurden.
Professoren der Scottish Heriot-Watt University waren ebenfalls an der Entwicklung des neuronalen Netzwerks beteiligt. Details zur Technologie finden Sie im Artikel Schulung
großräumiges generatives kontradiktorisches neuronales Netzwerk GAN zur Synthese von natürlichen Bildern mit hoher Wiedergabetreue “.
Werbevideo:
Im September verwendeten Forscher der Carnegie Melon University generative kontradiktorische neuronale Netze, um ein System zur Überlagerung von Gesichtsausdrücken mit den Gesichtern anderer zu schaffen.
Ramis Ganiev
