نوع جدیدی از رویکرد شبکه سازش طرف مقابل ، ناظران فناوری را در حال خراش دادن سر خود می کند: چگونه تصاویر می توانند جعلی باشند و در عین حال بسیار واقعی به نظر برسند؟

محققان در یک ویدئو گفتند: "ما ژنراتور جدیدی پیدا کرده ایم که به طور خودکار یاد می گیرد جنبه های مختلف تصاویر را بدون نظارت انسانی جدا کند." آنها در مقاله خود اظهار داشتند: "معماری جدید منجر به جدایی خودکار و بدون نظارت از ویژگیهای سطح بالا می شود."

ساخت تصاویر جعلی واقعی به نظر می رسد یک تلاش هنری است که تقریباً جدید نیست ، اما این سه محقق تلاش را به سطح بعدی رسانده اند.

آنها تکنیک خود را در مقاله خود "معماری ژنراتور مبتنی بر سبک برای شبکه های مخالف مولد" بیان کردند. مقاله روی arXiv است و توجه بسیاری را به خود جلب کرده است.

استفن جانسون در Big Think گفت که نتایج "بسیار شگفت آور " بودند. ویل نایت در بررسی فناوری MIT گفت آنچه ما به دنبال آن هستیم "واقع گرایی خیره کننده ، تقریباً وحشتناک" است.

محققان ، Tero Karras ، Samuli Laine و Timo Aila از انویدیا هستند. رویکرد آنها بر ساختن یک شبکه مخالف تولیدی یا GAN متمرکز است ، جایی که یادگیری برای تولید تصاویر کاملاً جدید که از ظاهر عکسهای واقعی تقلید می شود ، صورت می گیرد .

نویسندگان گفتند که تمام تصاویر موجود در این فیلم توسط ژنراتور آنها تولید شده است. "آنها عکس افراد واقعی نیستند."

مقاله آنها "، گفت: نایت ، نشان داد كه چگونه می توان از این رویكرد برای بازی با آنها استفاده كرد ، و عناصری از قبیل نژاد ، جنسیت یا حتی كاری را نیز به كار برد.

سس جادویی تولید کننده سبک آنهاست. Big Think این را به عنوان یک نسخه اصلاح شده از فناوری معمولی توضیح داده است که برای تولید خودکار تصاویر استفاده می شود.

فن آوری آنها در حال آشفتگی با سر شماست و آخرین خندیدن (یا کلام ، هرچند که به آن نگاه کنید).

شما به عنوان یک انسان به "تصاویر" فکر می کنید. با این حال تولید کننده فکر می کند "مجموعه سبک".

تجسم اثر استایل ها در ژنراتور با داشتن سبک هایی که توسط یک کد پنهان (منبع) تولید می شود ، زیر مجموعه ای از سبک های دیگری (مقصد) را نادیده می گیرد. اعتبار: arXiv: 1812.04948 [cs.NE]
هر سبکی جلوه ها را در مقیاس خاص کنترل می کند. سبک های درشت ، سبک های متوسط ​​، سبک های زیبا وجود دارد. (سبک های درشت به شکل ، مو ، فرم صورت اشاره می کنند ؛ سبک های میانی به ویژگی های صورت اشاره می کنند ، چشم ها. سبک های زیبا به طرح رنگ مراجعه می کنند.)

در همین حال ، ویل نایت برخی مشاهدات را در مورد GAN ها انجام داده است: "GAN ها دو شبکه عصبی را برای آموزش کامپیوتر به کار می گیرند تا ماهیت یک مجموعه داده را به اندازه کافی خوب تولید کنند تا جعلی های قانع کننده را بیاموزند. جعلی واقعی. "

جانسون زمینه ای از مفهوم GAN را ارائه داد:

"در سال 2014 ، یک محقق به نام یان گودفول و همکارانش مقاله ای را نوشتند که یک مفهوم یادگیری ماشین جدید به نام شبکه های مخالف مولد را ارائه می داد. این ایده ، به زبان ساده تر ، شامل گودبرداری دو شبکه عصبی در برابر یکدیگر است. مثلاً ، تصاویر سگها را انجام می دهند و سپس تمام تلاش خود را می کنند تا تصویری از آنچه یک سگ به نظر می رسد ، ایجاد کند. شبکه دیگر به عنوان یک تبعیضگر عمل می کند که سعی دارد تصاویر جعلی را از تصاویر واقعی بازگو کند.

"در ابتدا ، ممکن است ژنراتور تصاویری تولید کند که شبیه سگ ها نیست ، بنابراین تشخیص دهنده آنها را به پایین شلیک می کند. ادامه می یابد تا اینکه در تئوری ، تولید کننده تصویر خوبی از یک سگ خلق می کند. "

تیم انویدیا اصول انتقال سبک را به ترکیب GAN اضافه کرد.

دیوین کولدوی در TechCrunch : "اتومبیل ، گربه ، مناظر - همه این موارد کم و بیش متناسب با همان الگوی ویژگی های کوچک ، متوسط ​​و بزرگ است که می توانند جداگانه و تکثیر شوند ."

از نظر فنی ، کارهایشان به خاطر نتایج چشمگیر در تصاویر افرادی که واقعی به نظر می رسند ستایش شده است. از دیدگاه رایج ، تندتر از صحبت های جعلی ، پیشرفت به عنوان یک خطرناک تلقی می شود. جانسون گفت: "توانایی تولید تصاویر مصنوعی واقع گرایانه ، که معمولاً وقتی تصاویر به نظر می رسد مانند افراد قابل تشخیص باشد ، عمیق خوانده می شوند ، در سالهای اخیر نگرانی را ایجاد کرده است."

صفحات سایت تماشای فناوری پر از اظهار نظر در مورد چگونگی "وحشتناک" این بود ، و برخی از نظرات به سادگی سوال بودند: "چرا ما این کار را می کنیم؟" "چه کسی هزینه آن را می پردازد؟" یک پاسخ گفت: "اگر ما مرزهای نظارتی ایجاد نکنیم ، فکر می کنم نبرد بزرگ بعدی تاریخ بشریت علیه هوش مصنوعی که ایجاد می کنیم ، جنگیده شود."

با این وجود ، همه اظهار نظرها ابراز نگرانی نمی کنند. این یک پیشرفت فناوری است و برخی از اظهارات عنوان کردند که برنامه ها می توانند در بخشهای خاص مفید باشند. طراحان ، سازندگان آژانس تبلیغاتی و حتی سازندگان بازی های ویدئویی می توانند از این فناوری قدم به جلو استفاده کنند.

"این چهره AI-تولید قول می دهم به طلیعه چیزی بودن در یک نسل جدیدی از مردم واقعی در بازی های ویدئویی و فیلم بدون نیاز به بازیگران بشر و یا اضافی، گفت:" HotHardware .

 http://ztndz.com/story7344476/پمپ-وکیوم-اصفهان