Det britiske firma DeepMind, der blev en del af Google i 2014, arbejder konstant med at forbedre kunstig intelligens. I juni 2018 præsenterede medarbejderne et neuralt netværk, der var i stand til at skabe 3D-billeder fra 2D-billeder. I oktober gik udviklerne videre - de oprettede et BigGAN-neuralt netværk til at generere billeder af natur, dyr og genstande, som det er vanskeligt at skelne fra rigtige fotografier.
Som med andre kunstige billedprojekter er denne teknologi baseret på et generativt modstanders neuralt netværk. Husk, at det består af to dele: en generator og en diskriminerende. Den første skaber billeder, og den anden evaluerer deres lighed med prøverne af det ideelle resultat.
I dette arbejde ønskede vi at sløre linjen mellem AI-genererede billeder og fotografier fra den virkelige verden. Vi fandt, at eksisterende produktionsmetoder er tilstrækkelige til dette.
Forskellige sæt billeder blev brugt til at lære BigGAN at skabe billeder af sommerfugle, hunde og mad. Først var træningen baseret på ImageNet-databasen, og derefter - det større JFT-300M-sæt med 300 millioner billeder, opdelt i 18.000 kategorier.
BigGAN-træning tog 2 dage. Det tog 128 Google Tensor-processorer designet specielt til maskinlæring.
Professorer fra det skotske Heriot-Watt University deltog også i udviklingen af det neurale netværk. Detaljer om teknologien er beskrevet i artiklen Træning
storskala generativ modstanders neurale netværk GAN til syntese af naturlige billeder med høj trofasthed”.
Salgsfremmende video:
I september brugte forskere ved Carnegie Melon University generative adversarial neurale netværk til at skabe et system til at overlejre ansigtsudtryk på andres ansigter.
Ramis Ganiev