Mike Tika pinta retratos de personas inexistentes. Sin embargo, no usa un pincel para esto, sino la "imaginación" de una red neuronal.
Me interesan los rostros de las personas, puedes leer mucho en ellos. Estoy fascinado con este proyecto, porque me encanta reflexionar sobre quiénes serían estas personas si realmente existieran.
Mike pasó unos nueve meses desarrollando el proyecto Portraits of Imaginary People, que siguió a Inceptionism y Groovik's Cube.
norte
GAN, redes generativas de confrontación
En su proyecto, Mike utilizó redes generativas de confrontación (GAN):
Empecé a experimentar con GAN en una instalación que hice con Refik Anadol, donde usamos esta técnica para generar documentos históricos imaginarios a partir de un gran archivo. Después de terminar el proyecto, eché un nuevo vistazo a los retratos utilizando este método.
Video promocional:
Digamos que quieres que GAN represente a un gato. Para comenzar, necesita una gran cantidad de fotos de gatos. Después de eso, debes preparar un modelo para crear una imagen de un gato, que tendría en cuenta todas las características del animal: bigotes, patas, cola. Como conjunto de datos de referencia para el aprendizaje automático, Mike utilizó alrededor de 20.000 imágenes de alta calidad de Flickr.
Pero este es solo el primer paso. Para obtener una imagen realista de un gato y no un boceto digital, debe crear una segunda red neuronal conocida como discriminador. Mientras que la primera red neuronal (generador) creará imágenes de gatos, la segunda (discriminador) comparará el trabajo de la primera con imágenes reales de gatos y averiguará si son fiables. Según los resultados, el sistema ajusta los parámetros del generador para que la imagen de salida sea más realista.
Si está utilizando solo una red, el tamaño de la imagen de salida variará de 128 × 128 a 256 × 256 píxeles. Para aumentar el tamaño de las imágenes, debe recopilar varias GAN preparadas por separado para que el siguiente nivel sea el discriminador del anterior. Este paso permitirá elevar la calidad de la imagen, y el tamaño variará entre 768 × 768 y 1024 × 1024 píxeles.
En última instancia, Mike quiere generar fotos 4K, pero en este momento le resulta difícil encontrar un conjunto de datos para entrenar el sistema:
GAN es difícil de entrenar y de controlar. Debe monitorear cuidadosamente los datos de entrada, asegurarse de que todas las imágenes sean de alta resolución, no tengan artefactos y no estén dibujadas. Es difícil comparar diferentes ejecuciones con diferentes parámetros porque no existe un indicador bueno y estable de qué tan bien se está desempeñando una red en particular. Y la imagen de salida tarda mucho en construirse. Pero mi proyecto no fue creado por resultados o indicadores precisos, sino principalmente por el arte, que debería inspirarte y hacerte pensar.
Dmitry Alexandrov
