Mike Tika schildert portretten van niet-bestaande mensen. Hij gebruikt hiervoor echter geen penseel, maar de 'verbeelding' van een neuraal netwerk.
Ik ben geïnteresseerd in de gezichten van mensen, je kunt er veel in lezen. Ik ben gefascineerd door dit project, omdat ik graag reflecteer op wie deze mensen zouden zijn als ze echt zouden bestaan.
Mike besteedde ongeveer negen maanden aan de ontwikkeling van het project Portraits of Imaginary People, dat volgde op Inceptionism en Groovik's Cube.
GAN, generatieve vijandige netwerken
In zijn project gebruikte Mike Generative adversarial networks (GAN):
Ik begon te experimenteren met GAN in een installatie die ik deed met Refik Anadol, waar we deze techniek gebruikten om denkbeeldige historische documenten uit een groot archief te genereren. Nadat ik het project had afgerond, heb ik met deze methode een frisse blik op portretten gemaakt.
Promotie video:
Stel dat u wilt dat de GAN een kat uitbeeldt. Om te beginnen heb je veel kattenfoto's nodig. Daarna moet u een model voorbereiden om een afbeelding van een kat te maken, waarbij rekening wordt gehouden met alle kenmerken van het dier: snorharen, poten, staart. Net als een basisdataset voor machine learning gebruikte Mike ongeveer 20.000 hoogwaardige afbeeldingen van Flickr.
Maar dit is slechts de eerste stap. Om een realistisch beeld van een kat te krijgen, in plaats van een digitale schets, moet u een tweede neuraal netwerk maken dat bekend staat als een discriminator. Terwijl het eerste neurale netwerk (generator) afbeeldingen van katten zal maken, zal de tweede (discriminator) het werk van het eerste vergelijken met echte afbeeldingen van katten en nagaan of ze betrouwbaar zijn. Op basis van de resultaten past het systeem de generatorparameters aan om het outputbeeld realistischer te maken.
Als u slechts één netwerk gebruikt, varieert de grootte van de uitvoerafbeelding van 128 × 128 tot 256 × 256 pixels. Om de grootte van de afbeeldingen te vergroten, moet u verschillende afzonderlijk voorbereide GAN's verzamelen, zodat het volgende niveau de discriminator is van het vorige. Deze stap kan de kwaliteit van de afbeelding verbeteren en de grootte zal variëren tussen 768 × 768 en 1024 × 1024 pixels.
Uiteindelijk wil Mike 4K-foto's genereren, maar op dit moment is het moeilijk voor hem om een dataset te vinden om het systeem te trainen:
GAN is moeilijk te trainen en moeilijk te controleren. U moet de invoergegevens zorgvuldig controleren, ervoor zorgen dat alle afbeeldingen een hoge resolutie hebben, geen artefacten bevatten en niet zijn getekend. Het is moeilijk om verschillende runs met verschillende parameters te vergelijken, omdat er geen goede, consistente indicator is voor hoe goed een bepaald netwerk presteert. En de output-afbeelding duurt erg lang om te bouwen. Maar mijn project is niet gemaakt omwille van nauwkeurige resultaten of indicatoren, maar in de eerste plaats omwille van de kunst, die je zou moeten inspireren en aan het denken moet zetten.
Dmitry Alexandrov
