Neironu tīkls iemācās sintētiski novecot sejas un padarīt tās arī jaunākas

Tas, kā mēs novecojam, ir ļoti aizraujoši. Patiešām, zināt, kā mūsu sejas izskatīsies pēc 20, 30 vai 40 gadiem, daudzi varētu šķist valdzinoši.

Pastāv vairākas metodes, kas to var izdarīt. Bet tie ir laikietilpīgi un līdz ar to dārgi. Tāpēc lēts un ātrs veids, kā novecot fotogrāfijas fotogrāfijās, būtu ērts triks.

Ienāciet Grigorijs Antipovs no Orange Labs Francijā un pāris draugi, kuri ir izstrādājuši padziļinātas apmācības iekārtu, kas var viegli veikt šo darbu. To sistēma ne tikai var padarīt jaunām sejām vecākas, bet arī padarīt vecākas sejas jaunākas.

Pāris nesenie notikumi ir atvieglojuši viņu uzdevumu. Pēdējos gados datorzinātnieki ir izveidojuši padziļinātas apmācības iekārtas, kas spēj modificēt sejas dažādos, bet reālistiskā veidā. Šī pieeja var radīt reālistiskas sintētiskas sejas, kas izskatās vecākas.

Tomēr ir problēma. Padarot sejām vecākas, šīs dziļās mācīšanās iekārtas bieži zaudē personas identitāti. Tātad indivīds izskatās vecāks, bet vairs nav identificējams.

Antipovs un viņa kolēģi ir izstrādājuši veidu, kā atrisināt šo problēmu. Viņu pieeja ietver divas dziļas apmācības iekārtas, kas darbojas kopā — sejas ģeneratoru un sejas diskriminatoru. Abas mašīnas uzzina, kā sejas izskatās novecojot, analizējot fotogrāfijas, kurās redzami cilvēki vecuma grupās no 0 līdz 18, 19-29, 30-39, 40-49, 50-59 un 60+ gadiem.

Kopumā mašīnas tika apmācītas uz 5000 sejām katrā grupā, kas ņemtas no interneta filmu datu bāzes un Wikipedia un pēc tam marķētas ar personas vecumu. Tādā veidā iekārta apgūst katras vecuma grupas sejām raksturīgo parakstu. Tieši šo abstrakto parakstu sejas ģenerators pēc tam var pielietot citām sejām, lai tās izskatītos vienāda vecuma.

Tomēr šī paraksta lietošana dažkārt var izraisīt personas identitātes zaudēšanu. Tātad otrā dziļās mācīšanās iekārta — sejas diskriminators — aplūko sintētiski novecojušo seju, lai noskaidrotu, vai joprojām var izdalīt sākotnējo identitāti. Ja tas neizdodas, attēls tiek noraidīts.

Antipovs un viņa kolēģi savu procesu sauc par vecuma nosacītību, ģeneratīvo pretrunīgo tīklu — pretrunīgu, jo dziļās mācīšanās iekārtas darbojas opozīcijā.

Rezultāti nodrošina iespaidīgu lasīšanu. Komanda izmantoja šo paņēmienu 10 000 seju no IMDB-Wikipedia datu bāzes, kuras viņi nebija izmantojuši apmācībai. Pēc tam viņi pārbaudīja attēlus pirms un pēc, izmantojot programmatūru OpenFace, kas var noteikt, vai divos attēlos ir redzama viena un tā pati persona. Tas novēroja vienu un to pašu seju vairāk nekā 80 procentus laika, salīdzinot ar aptuveni 50 procentiem citu sejas novecošanas paņēmienu gadījumu.

Un, protams, šī tehnika ne tikai noveco jaunas sejas, bet arī rada jaunākas versijas vecākām sejām.

Ir acīmredzams pārbaudījums, ko komanda nav veikusi. Jādomā, ka ir iespējams salīdzināt sejas, kas sintētiski padarītas jaunākas, ar tās pašas sejas attēliem, kas uzņemti laikā, kad persona faktiski bija jaunāka. Tas būtu labs pārbaudījums, cik precīza ir tehnika, un, iespējams, uzdevums nākotnē.

Antipovs un kolēģi apgalvo, ka viņu tehniku ​​varētu izmantot tādās lietojumprogrammās, kā, piemēram, palīdzot identificēt cilvēkus, kuri ir pazuduši daudzus gadus. Ar to varētu būt arī ļoti jautri spēlēties, ja viņi izvēlētos publiskot savu algoritmu.

Atsauce: arxiv.org/abs/1702.01983 : sejas novecošana ar nosacītiem ģeneratīviem pretrunīgiem tīkliem

paslēpties