Mike Tika maľuje portréty neexistujúcich ľudí. Na to však nepoužíva štetec, ale „fantáziu“neurónovej siete.
Zaujímajú ma tváre ľudí, dá sa v nich veľa prečítať. Tento projekt ma fascinuje, pretože sa rád zamýšľam nad tým, kto by títo ľudia boli, keby skutočne existovali.
Mike strávil asi deväť mesiacov vývojom projektu Portréty imaginárnych ľudí, ktorý nasledoval po koncepciách Inceptionism a Groovik's Cube.
GAN, generatívne kontradiktórne siete
Vo svojom projekte Mike použil generatívne kontradiktórne siete (GAN):
Začal som experimentovať s GAN v inštalácii, ktorú som urobil s Refik Anadol, kde sme pomocou tejto techniky generovali imaginárne historické dokumenty z veľkého archívu. Po dokončení projektu som sa touto metódou znovu pozrel na portréty.
Propagačné video:
Povedzme, že chcete, aby GAN zobrazila mačku. Na začiatok potrebujete veľa fotografií mačiek. Potom musíte pripraviť model na vytvorenie obrazu mačky, ktorý by zohľadňoval všetky vlastnosti zvieraťa: fúzy, labky, chvost. Ako základný súbor údajov pre strojové učenie použil Mike asi 20 000 vysoko kvalitných obrázkov z Flickru.
Je to však iba prvý krok. Ak chcete získať realistický obraz mačky a nie digitálny náčrt, musíte vytvoriť druhú neurónovú sieť známu ako diskriminátor. Zatiaľ čo prvá neurónová sieť (generátor) vytvorí obrázky mačiek, druhá (diskriminátor) porovná prácu prvej s reálnymi obrázkami mačiek a zistí, či sú spoľahlivé. Na základe výsledkov systém upraví parametre generátora tak, aby bol výstupný obraz realistickejší.
Ak používate iba jednu sieť, veľkosť výstupného obrazu sa bude pohybovať od 128 × 128 do 256 × 256 pixelov. Ak chcete zväčšiť veľkosť obrázkov, musíte zhromaždiť niekoľko samostatne pripravených sietí GAN, aby ďalšia úroveň bola diskrimináciou predchádzajúcej. Tento krok bude schopný zvýšiť kvalitu obrázka a veľkosť sa bude pohybovať od 768 × 768 do 1024 × 1024 pixelov.
Nakoniec chce Mike generovať fotografie v rozlíšení 4K, ale v súčasnosti je pre neho ťažké nájsť súbor údajov, pomocou ktorého by systém vycvičil:
GAN sa ťažko trénuje a ťažko sa ovláda. Musíte starostlivo sledovať vstupné údaje, skontrolovať, či sú všetky obrázky vo vysokom rozlíšení, neobsahujú artefakty a či nie sú nakreslené. Je ťažké porovnávať rôzne behy s rôznymi parametrami, pretože neexistuje dobrý, konzistentný ukazovateľ výkonnosti konkrétnej siete. A zostrojenie výstupného obrazu trvá veľmi dlho. Ale môj projekt nebol vytvorený kvôli presným výsledkom alebo ukazovateľom, ale predovšetkým kvôli umeniu, ktoré by malo inšpirovať a prinútiť vás premýšľať.
Dmitrij Alexandrov