Neuroninis tinklas išmoksta sintetiškai pasenti veidus ir padaryti juos jaunesnius

Tai, kaip mes senstame, labai žavi. Iš tiesų, žinojimas, kaip mūsų veidai atrodys po 20, 30 ar 40 metų, yra triukas, kuris daugeliui būtų patrauklus.

Yra keletas technikų, kurios gali tai padaryti. Tačiau jie užima daug laiko ir todėl yra brangūs. Taigi pigus ir greitas būdas seninti veidus nuotraukose būtų patogus triukas.

Prisijunkite Grigorijus Antipovas iš „Orange Labs“ Prancūzijoje ir pora draugų, kurie sukūrė gilaus mokymosi mašiną, kuri gali lengvai atlikti šį darbą. Dėl jų sistemos jauni veidai gali atrodyti ne tik senesni, bet ir jaunesni.

Keletas naujausių įvykių palengvino jų užduotį. Pastaraisiais metais kompiuterių mokslininkai sukūrė gilaus mokymosi mašinas, galinčias įvairiais skirtingais, bet tikroviškais būdais modifikuoti veidus. Šis metodas gali sukurti tikroviškus sintetinius veidus, kurie atrodo senesni.

Tačiau yra problema. Dėl to, kad veidai atrodo senesni, šios gilaus mokymosi mašinos dažnai praranda asmens tapatybę. Taigi asmuo atrodo vyresnis, bet nebegali būti identifikuojamas.

Antipovas ir bendradarbiai sugalvojo būdą, kaip išspręsti šią problemą. Jų požiūris apima dvi gilaus mokymosi mašinas, veikiančias kartu – veido generatorių ir veido diskriminatorių. Abu aparatai sužino, kaip atrodo veidai senstant, analizuodami 0–18, 19–29, 30–39, 40–49, 50–59 ir 60+ metų amžiaus grupių žmonių nuotraukas.

Iš viso mašinos buvo apmokytos 5000 veidų kiekvienoje grupėje, paimtoje iš interneto filmų duomenų bazės ir Vikipedijos, o po to pažymėtos asmens amžiumi. Tokiu būdu aparatas išmoksta būdingą kiekvienos amžiaus grupės veidų parašą. Būtent šį abstraktų parašą veido generatorius gali pritaikyti kitiems veidams, kad jie atrodytų tokio pat amžiaus.

Tačiau taikant šį parašą kartais gali būti prarasta asmens tapatybė. Taigi antroji giluminio mokymosi mašina – veido diskriminatorius – žiūri į sintetiškai pasenusį veidą, kad pamatytų, ar vis dar galima išskirti pradinę tapatybę. Jei negali, vaizdas atmetamas.

Antipovas ir bendražygiai savo procesą vadina Age Conditional Generative Adversarial Network – priešiškas, nes gilaus mokymosi mašinos veikia priešingai.

Rezultatai daro įspūdingą skaitymą. Komanda pritaikė techniką 10 000 veidų iš IMDB-Wikipedia duomenų bazės, kurių jie nenaudojo mokymui. Tada jie išbandė vaizdus prieš ir po naudodami programinę įrangą, vadinamą OpenFace, kuri gali pasakyti, ar dviejuose vaizduose rodomas tas pats asmuo, ar ne. Tai pastebėjo tą patį veidą daugiau nei 80 procentų laiko, palyginti su maždaug 50 procentų kitų veido senėjimo metodų.

Ir, žinoma, ši technika ne tik sendina jaunus veidus, bet ir sukuria jaunesnes vyresnio amžiaus veidų versijas.

Yra akivaizdus išbandymas, kurio komanda neatliko. Tikėtina, kad sintetiniu būdu jaunesnius veidus galima palyginti su to paties veido nuotraukomis, darytomis, kai asmuo iš tikrųjų buvo jaunesnis. Tai būtų geras technikos tikslumo testas ir galbūt ateities užduotis.

Antipovas ir bendražygiai teigia, kad jų technika galėtų būti naudojama tokiose srityse, kaip padedama atpažinti daugelį metų dingusius žmones. Taip pat gali būti labai smagu žaisti, jei jie nuspręstų paviešinti savo algoritmą.

Nuoroda: arxiv.org/abs/1702.01983 : Veido senėjimas naudojant sąlyginius generuojančius priešpriešinius tinklus

paslėpti