Mike Tika malt Porträts von nicht existierenden Menschen. Er verwendet dafür jedoch keinen Pinsel, sondern die "Vorstellungskraft" eines neuronalen Netzwerks.
Ich interessiere mich für die Gesichter der Menschen, man kann viel in ihnen lesen. Ich bin fasziniert von diesem Projekt, weil ich gerne darüber nachdenke, wer diese Leute wären, wenn sie wirklich existieren würden.
Mike verbrachte ungefähr neun Monate damit, das Projekt Portraits of Imaginary People zu entwickeln, das auf Inceptionism und Groovik's Cube folgte.
GAN, generative gegnerische Netzwerke
In seinem Projekt verwendete Mike generative Adversarial Networks (GAN):
Ich begann mit GAN in einer Installation zu experimentieren, die ich mit Refik Anadol gemacht hatte, wo wir diese Technik verwendeten, um imaginäre historische Dokumente aus einem großen Archiv zu generieren. Nach Abschluss des Projekts habe ich mir Porträts mit dieser Methode genauer angesehen.
Werbevideo:
Angenommen, Sie möchten, dass die GAN eine Katze darstellt. Für den Einstieg benötigen Sie eine große Anzahl von Katzenfotos. Danach müssen Sie ein Modell vorbereiten, um ein Bild einer Katze zu erstellen, das alle Merkmale des Tieres berücksichtigt: Schnurrhaare, Pfoten, Schwanz. Als Basisdatensatz für maschinelles Lernen verwendete Mike etwa 20.000 hochwertige Bilder von Flickr.
Dies ist jedoch nur der erste Schritt. Um ein realistisches Bild einer Katze anstelle einer digitalen Skizze zu erhalten, müssen Sie ein zweites neuronales Netzwerk erstellen, das als Diskriminator bezeichnet wird. Während das erste neuronale Netzwerk (Generator) Bilder von Katzen erstellt, vergleicht das zweite (Diskriminator) die Arbeit des ersten mit realen Bildern von Katzen und findet heraus, ob sie zuverlässig sind. Basierend auf den Ergebnissen passt das System die Generatorparameter an, um das Ausgabebild realistischer zu gestalten.
Wenn Sie nur ein Netzwerk verwenden, reicht die Größe des Ausgabebilds von 128 × 128 bis 256 × 256 Pixel. Um die Größe der Bilder zu erhöhen, müssen Sie mehrere separat vorbereitete GANs sammeln, damit die nächste Ebene der Diskriminator der vorherigen ist. Dieser Schritt kann die Bildqualität verbessern und die Größe variiert zwischen 768 × 768 und 1024 × 1024 Pixel.
Letztendlich möchte Mike 4K-Fotos generieren, aber im Moment ist es für ihn schwierig, einen Datensatz zu finden, um das System zu trainieren:
GAN ist schwer zu trainieren und schwer zu kontrollieren. Sie müssen die Eingabedaten sorgfältig überwachen, sicherstellen, dass alle Bilder eine hohe Auflösung haben, keine Artefakte aufweisen und nicht gezeichnet werden. Es ist schwierig, verschiedene Läufe mit verschiedenen Parametern zu vergleichen, da es keinen guten, konsistenten Indikator für die Leistung eines bestimmten Netzwerks gibt. Die Erstellung des Ausgabebilds dauert sehr lange. Mein Projekt wurde jedoch nicht im Interesse genauer Ergebnisse oder Indikatoren erstellt, sondern in erster Linie im Interesse der Kunst, die zum Nachdenken anregen und zum Nachdenken anregen sollte.
Dmitry Alexandrov
