Det brittiska företaget DeepMind, som blev en del av Google 2014, arbetar ständigt för att förbättra konstgjord intelligens. I juni 2018 presenterade dess anställda ett neuralt nätverk som kan skapa 3D-bilder från 2D-bilder. I oktober gick utvecklarna längre - de skapade ett BigGAN-neuralnätverk för att generera bilder av natur, djur och föremål som är svåra att skilja från riktiga fotografier.
Liksom med andra konstgjorda bildprojekt, är denna teknik baserad på ett generativt motsatt neuralt nätverk. Kom ihåg att den består av två delar: en generator och en diskriminator. Den första skapar bilder, och den andra utvärderar deras likhet med proverna av det ideala resultatet.
I det här arbetet ville vi oskärpa gränsen mellan AI-genererade bilder och fotografier från den verkliga världen. Vi fann att befintliga genereringsmetoder är tillräckliga för detta.
Olika uppsättningar av bilder användes för att lära BigGAN att skapa bilder av fjärilar, hundar och mat. Först baserades utbildningen på ImageNet-databasen, och sedan - den större JFT-300M-uppsättningen med 300 miljoner bilder, uppdelad i 18 000 kategorier.
BigGAN-träningen tog två dagar. Det tog 128 Google Tensor-processorer designade specifikt för maskininlärning.
Professorer från Scottish Heriot-Watt University deltog också i utvecklingen av det neurala nätverket. Detaljer om tekniken beskrivs i artikeln Träning
storskalig generativ motståndskraftig neuralt nätverk GAN för syntes av naturliga bilder med hög trohet”.
Kampanjvideo:
I september använde forskare vid Carnegie Melon University generativa negativa nervnätverk för att skapa ett system för att överlagra ansiktsuttryck på andras ansikten.
Ramis Ganiev
