Mike Tika målar porträtt av obefintliga människor. Men han använder inte en pensel för detta, utan "fantasin" hos ett neuralt nätverk.
Jag är intresserad av människors ansikten, du kan läsa mycket om dem. Jag är fascinerad av det här projektet, för jag älskar att reflektera över vem dessa människor skulle vara om de verkligen fanns.
Mike tillbringade ungefär nio månader på att utveckla projektet Portraits of Imaginary People, som följde Inceptionism och Groovik's Cube.
GAN, generativa kontroversiella nätverk
I sitt projekt använde Mike generativa kontroversiella nätverk (GAN):
Jag började experimentera med GAN i en installation som jag gjorde med Refik Anadol, där vi använde den här tekniken för att generera imaginära historiska dokument från ett stort arkiv. Efter att ha avslutat projektet tittade jag på porträtt med en ny metod.
Kampanjvideo:
Låt oss säga att du vill att GAN ska skildra en katt. För att komma igång behöver du ett stort antal kattfoton. Därefter måste du förbereda en modell för att skapa en bild av en katt, som tar hänsyn till alla djurets funktioner: morrhår, tassar, svans. Precis som en basdataset för maskininlärning använde Mike cirka 20 000 bilder av hög kvalitet från Flickr.
Men detta är bara det första steget. För att få en realistisk bild av en katt och inte en digital skiss, måste du skapa ett andra neuralt nätverk som kallas en diskriminator. Medan det första neurala nätverket (generatorn) kommer att skapa bilder på katter, kommer det andra (diskriminatorn) att kontrollera det första arbetet med riktiga bilder på katter och ta reda på om de är tillförlitliga. Baserat på resultaten justerar systemet generatorparametrarna för att göra utbilden mer realistisk.
Om du bara använder ett nätverk, kommer den utgående bildstorleken att sträcka sig från 128 × 128 till 256 × 256 pixlar. För att öka storleken på bilderna måste du samla in flera separat förberedda GAN så att nästa nivå är en diskriminator av den föregående. Detta steg kommer att kunna höja bildens kvalitet och storleken varierar mellan 768 × 768 och 1024 × 1024 pixlar.
I slutändan vill Mike skapa 4K-foton, men han har för närvarande svårt att hitta en dataset för att träna systemet:
GAN är svårt att träna och svårt att kontrollera. Du måste noggrant övervaka inmatningsdata, se till att alla bilder har hög upplösning, saknar artefakter och inte ritas. Det är svårt att jämföra olika körningar med olika parametrar eftersom det inte finns någon bra, konsekvent indikator på hur bra ett visst nätverk presterar. Och utmatningsbilden tar mycket lång tid att bygga. Men mitt projekt skapades inte för korrekta resultat eller indikatorer, utan främst för konstens skull, som borde inspirera och få dig att tänka.
Dmitry Alexandrov
