Mike Tika melukis potret orang yang tidak ada. Namun, dia tidak menggunakan kuas untuk ini, tetapi "imajinasi" dari jaringan saraf.
Saya tertarik dengan wajah orang, Anda bisa membaca banyak tentang mereka. Saya terpesona oleh proyek ini, karena saya suka merenungkan siapa orang-orang ini nantinya jika mereka benar-benar ada.
Mike menghabiskan sekitar sembilan bulan mengembangkan proyek Potret Orang Imajiner, yang mengikuti Inceptionism dan Groovik's Cube.
GAN, jaringan permusuhan generatif
Dalam proyeknya, Mike menggunakan jaringan adversarial generatif (GAN):
Saya mulai bereksperimen dengan GAN dalam instalasi yang saya lakukan dengan Refik Anadol, di mana kami menggunakan teknik ini untuk menghasilkan dokumen sejarah imajiner dari arsip yang besar. Setelah menyelesaikan proyek, saya melihat potret baru menggunakan metode ini.
Video promosi:
Katakanlah Anda ingin GAN menggambarkan seekor kucing. Untuk memulai, Anda membutuhkan banyak foto kucing. Setelah itu, Anda harus menyiapkan model untuk membuat gambar kucing, yang akan memperhitungkan semua fitur hewan: kumis, cakar, ekor. Sama seperti kumpulan data dasar untuk pembelajaran mesin, Mike menggunakan sekitar 20.000 gambar berkualitas tinggi dari Flickr.
Tapi ini baru langkah pertama. Untuk mendapatkan gambar kucing yang realistis, daripada sketsa digital, Anda perlu membuat jaringan saraf kedua yang dikenal sebagai diskriminator. Sementara jaringan saraf pertama (generator) akan membuat gambar kucing, yang kedua (pembeda) akan membandingkan pekerjaan yang pertama dengan gambar kucing yang sebenarnya dan mencari tahu apakah mereka dapat diandalkan. Berdasarkan hasil tersebut, sistem menyesuaikan parameter generator agar gambar keluaran lebih realistis.
Jika Anda hanya menggunakan satu jaringan, maka ukuran gambar keluaran akan berkisar dari 128 × 128 hingga 256 × 256 piksel. Untuk meningkatkan ukuran gambar, Anda perlu mengumpulkan beberapa GAN yang disiapkan secara terpisah sehingga tingkat berikutnya adalah pembeda dari yang sebelumnya. Langkah ini akan dapat meningkatkan kualitas gambar, dan ukurannya akan bervariasi antara 768 × 768 dan 1024 × 1024 piksel.
Pada akhirnya, Mike ingin menghasilkan foto 4K, tetapi saat ini dia kesulitan menemukan kumpulan data untuk melatih sistem:
GAN sulit untuk dilatih dan sulit dikendalikan. Anda perlu memantau dengan cermat data masukan, memastikan bahwa semua gambar beresolusi tinggi, tidak memiliki artefak, dan tidak digambar. Sulit untuk membandingkan proses yang berbeda dengan parameter yang berbeda karena tidak ada indikator yang baik dan stabil tentang seberapa baik kinerja jaringan tertentu. Dan gambar keluaran membutuhkan waktu yang sangat lama untuk dibangun. Tetapi proyek saya dibuat bukan untuk hasil atau indikator yang akurat, tetapi terutama untuk seni, yang seharusnya menginspirasi dan membuat Anda berpikir.
Dmitry Alexandrov
