211service.com
Sieć neuronowa uczy się syntetycznie postarzać twarze i sprawiać, by wyglądały na młodsze
Sposób, w jaki się starzejemy, jest głęboko fascynujący. Rzeczywiście, wiedza o tym, jak nasze twarze będą wyglądać za 20, 30 lub 40 lat, to sztuczka, która wielu uznałaby za urzekającą.
Istnieje wiele technik, które mogą to zrobić. Ale są czasochłonne, a co za tym idzie drogie. Tak więc tani i szybki sposób na postarzenie twarzy na zdjęciach byłby poręczną sztuczką.
Dołącz do Grigory Antipov z Orange Labs we Francji i kilku kumpli, którzy opracowali maszynę do głębokiego uczenia się, która z łatwością wykona tę pracę. Ich system może nie tylko sprawić, że młode twarze będą wyglądać na starsze, ale także sprawić, że starsze twarze będą wyglądać młodziej.
Kilka ostatnich wydarzeń ułatwiło im zadanie. W ostatnich latach informatycy zbudowali maszyny do głębokiego uczenia się, które są w stanie modyfikować twarze na różne, ale realistyczne sposoby. Takie podejście może stworzyć realistyczne syntetyczne twarze, które wyglądają na starsze.
Jest jednak problem. Te maszyny głębokiego uczenia często sprawiają, że twarze wyglądają na starsze, często tracą tożsamość osoby. Tak więc osoba wygląda na starszą, ale nie można jej już zidentyfikować.
Antipov i spółka wymyślili sposób na rozwiązanie tego problemu. Ich podejście obejmuje dwie maszyny do głębokiego uczenia się, które współpracują ze sobą — generator twarzy i dyskryminator twarzy. Obie maszyny uczą się, jak wyglądają twarze w miarę starzenia się, analizując zdjęcia osób w grupach wiekowych 0-18, 19-29, 30-39, 40-49, 50-59 i 60+.
W sumie maszyny zostały przeszkolone na 5000 twarzy w każdej grupie, pobranych z Internetowej Bazy Filmowej i Wikipedii, a następnie oznaczonych wiekiem danej osoby. W ten sposób maszyna uczy się charakterystycznego podpisu twarzy w każdej grupie wiekowej. To ten abstrakcyjny podpis, który generator twarzy może następnie zastosować do innych twarzy, aby wyglądały na ten sam wiek.
Jednak zastosowanie tego podpisu może czasami spowodować utratę tożsamości osoby. Tak więc druga maszyna głębokiego uczenia — rozróżniacz twarzy — przygląda się syntetycznie postarzałej twarzy, aby sprawdzić, czy nadal można rozpoznać pierwotną tożsamość. Jeśli nie, obraz jest odrzucany.
Antipov i inni nazywają swój proces Age Conditional Generative Adversarial Network — kontradyktoryjnym, ponieważ maszyny głębokiego uczenia się działają w opozycji.
Wyniki sprawiają, że lektura jest imponująca. Zespół zastosował tę technikę do 10 000 twarzy z bazy danych IMDB-Wikipedia, której nie używali do szkolenia. Następnie przetestowali obrazy przed i po za pomocą oprogramowania o nazwie OpenFace, które może stwierdzić, czy dwa obrazy przedstawiają tę samą osobę, czy nie. Dzięki temu tę samą twarz wykryto w ponad 80 procentach przypadków, w porównaniu do około 50 procent przypadków w przypadku innych technik postarzania twarzy.
I oczywiście ta technika nie tylko postarza młode twarze, ale także tworzy młodsze wersje starszych twarzy.
Jest oczywisty test, którego zespół nie wykonał. Przypuszczalnie możliwe jest porównanie syntetycznie odmłodzonych twarzy ze zdjęciami tej samej twarzy zrobionymi, gdy dana osoba była faktycznie młodsza. Byłby to dobry sprawdzian dokładności tej techniki i być może zadanie na przyszłość.
Antipov i spółka twierdzą, że ich technika może być wykorzystana w aplikacjach takich jak pomoc w identyfikacji osób, które zaginęły od wielu lat. Zabawa może być również świetną zabawą, jeśli zdecydują się upublicznić swój algorytm.
Nr ref.: arxiv.org/abs/1702.01983 : Zmierz się ze starzeniem się dzięki warunkowym generatywnym sieciom kontradyktoryjnym