Mike Tika maler portrætter af ikke-eksisterende mennesker. Imidlertid bruger han ikke en børste til dette, men "fantasien" i et neuralt netværk.
Jeg er interesseret i folks ansigter, du kan læse meget om dem. Jeg er fascineret af dette projekt, fordi jeg elsker at reflektere over, hvem disse mennesker ville være, hvis de virkelig eksisterede.
Mike tilbragte cirka ni måneder med at udvikle Portraits of Imaginary People-projektet, der fulgte Inceptionism og Grooviks Cube.
GAN, generative kontradiktive netværk
I sit projekt brugte Mike Generative adversarial networks (GAN):
Jeg begyndte at eksperimentere med GAN i en installation, jeg gjorde med Refik Anadol, hvor vi brugte denne teknik til at generere imaginære historiske dokumenter fra et stort arkiv. Efter at have afsluttet projektet kiggede jeg på portrætter ved hjælp af denne metode.
Salgsfremmende video:
Lad os sige, at du vil have GAN til at portrættere en kat. For at komme i gang har du brug for et stort antal kattefotos. Derefter skal du forberede en model til at skabe et billede af en kat, der tager hensyn til alle dyrets funktioner: whiskers, poter, hale. Ligesom et baseline-datasæt til maskinindlæring brugte Mike ca. 20.000 billeder i høj kvalitet fra Flickr.
Men dette er kun det første skridt. For at få et realistisk billede af en kat og ikke en digital skitse skal du oprette et andet neuralt netværk kendt som en diskriminator. Mens det første neurale netværk (generator) vil skabe billeder af katte, vil det andet (diskriminator) kontrollere det første arbejde med ægte billeder af katte og finde ud af, om de er pålidelige. Baseret på resultaterne justerer systemet generatorparametrene for at gøre outputbilledet mere realistisk.
Hvis du kun bruger et netværk, vil outputbilledstørrelsen variere fra 128 × 128 til 256 × 256 pixels. For at øge størrelsen på billederne skal du samle flere separat forberedte GAN'er, så det næste niveau er en diskriminator af det forrige. Dette trin vil være i stand til at hæve billedets kvalitet, og størrelsen varierer mellem 768 × 768 og 1024 × 1024 pixels.
I sidste ende vil Mike generere 4K-fotos, men han har i øjeblikket svært ved at finde et datasæt til at træne systemet:
GAN er vanskelig at træne og vanskelig at kontrollere. Du skal nøje overvåge inputdataene, sørge for at alle billeder er i høj opløsning, ikke har artefakter og ikke er tegnet. Det er vanskeligt at sammenligne forskellige kørsler med forskellige parametre, fordi der ikke er nogen god, stabil indikator for, hvor godt et bestemt netværk klarer sig. Og outputbilledet tager meget lang tid at bygge. Men mit projekt blev ikke oprettet for nøjagtige resultater eller indikatorer, men primært for kunstens skyld, som skulle inspirere og få dig til at tænke.
Dmitry Alexandrov