Mike'as Tika piešia neegzistuojančių žmonių portretus. Tačiau tam jis naudoja ne teptuką, o nervinio tinklo „vaizduotę“.
Man įdomūs žmonių veidai, juose galima daug ką perskaityti. Mane žavi šis projektas, nes man patinka apmąstyti, kas būtų šie žmonės, jei jie iš tikrųjų egzistuotų.
Maždaug devynis mėnesius Mike'as kūrė projektą „Įsivaizduojamų žmonių portretai“, kuris sekė inkcepcionizmą ir Grooviko kubą.
GAN, generatyviniai rungimosi tinklai
Savo projekte Mike'as naudojo generatyvinius rungimosi tinklus (GAN):
Pradėjau eksperimentuoti su GAN instaliacijoje, kurią atlikau su „Refik Anadol“, kur šia technika mes panaudojome sugalvotus istorinius dokumentus iš didelio archyvo. Baigęs projektą, naudodamas šį metodą, naujai apžvelgiau portretus.
Reklaminis vaizdo įrašas:
Tarkime, norite, kad GAN vaizduotų katę. Norėdami pradėti, jums reikia daugybės kačių nuotraukų. Po to turite paruošti modelį, kad sukurtumėte katės vaizdą, kuriame būtų atsižvelgiama į visas gyvūno savybes: ūsus, letenas, uodegą. Kaip pradinį mašininio mokymosi duomenų rinkinį, Mike'as panaudojo apie 20 000 aukštos kokybės „Flickr“vaizdų.
Bet tai tik pirmas žingsnis. Norėdami gauti tikrovišką katės vaizdą, o ne skaitmeninį eskizą, turite sukurti antrą neuroninį tinklą, žinomą kaip diskriminatorius. Nors pirmasis neuroninis tinklas (generatorius) kurs kačių nuotraukas, antrasis (diskriminatorius) palygins pirmojo darbą su tikrais kačių paveikslėliais ir sužinos, ar jie yra patikimi. Remiantis rezultatais, sistema pakoreguoja generatoriaus parametrus, kad išvesties vaizdas būtų tikroviškesnis.
Jei naudojate tik vieną tinklą, išvesties vaizdo dydis svyruos nuo 128 × 128 iki 256 × 256 taškų. Norėdami padidinti vaizdų dydį, turite surinkti kelis atskirai paruoštus GAN, kad kitas lygis būtų ankstesnio diskriminatorius. Šis žingsnis leis pagerinti vaizdo kokybę, o dydis svyruos nuo 768 × 768 iki 1024 × 1024 taškų.
Galų gale Mike'as nori sukurti 4K nuotraukas, tačiau šiuo metu jam sunku rasti duomenų rinkinį, kuris mokytų sistemą:
GAN sunku treniruoti ir sunku valdyti. Turite atidžiai stebėti įvesties duomenis, įsitikinti, kad visi vaizdai yra didelės raiškos, neturi jokių artefaktų ir nėra piešti. Sunku palyginti skirtingus parametrus su skirtingais parametrais, nes nėra gero, stabilaus rodiklio, kaip gerai veikia konkretus tinklas. Išvesties vaizdo kūrimas trunka labai ilgai. Bet mano projektas buvo sukurtas ne dėl tikslių rezultatų ar rodiklių, o pirmiausia dėl meno, kuris turėtų įkvėpti ir priversti susimąstyti.
Dmitrijus Aleksandrovas