Тим од Истраживачи са Универзитета у Тел Авиву недавно су представили ХиперСтиле, која је обрнута верзија система машинског учења НВИДИА СтилеГАН2 који је редизајниран да поново креира делове који недостају приликом уређивања слика из стварног света.
СтилеГАН се одликује тиме што омогућава да се синтетизују нова лица људи са реалистичним изгледом, подешавање параметара као што су старост, пол, дужина косе, карактер осмеха, облик носа, боја коже, наочаре и угао фотографисања.
Поред тога, ХиперСтиле омогућава промену сличних параметара у постојећим, Другим речима, омогућава вам да креирате фотографије без модификације њихових карактеристичних карактеристика и очувања препознатљивости оригиналног лица.
ХиперСтиле уводи хипермреже да научи како да прецизира тежине претходно обученог СтилеГАН генератора у односу на дату улазну слику. То омогућава поновну изградњу нивоа оптимизације са временима закључивања сличним кодеру и високом могућношћу уређивања.
На пример, када користите ХиперСтиле, може симулирати промену старости особе на фотографији, промените фризуру, додајте наочаре, браду или бркове, учините да слика личи на цртаног лика или руком нацртану слику, направите тужан или срећан израз лица.
У овом случају Систем се може оспособити не само да мења лица људи, већ и за било који објекат, за На пример, за уређивање слика аутомобила.
Већина радова који проучавају инверзију траже латентни код који прецизније реконструише дату слику. Неки недавни радови су предложили фино подешавање слике тежине генератора да би се постигла реконструкција високог квалитета за дату циљну слику. Са ХиперСтиле-ом, циљ нам је да ове приступе подешавања генератора доведемо у област интерактивних апликација прилагођавајући их приступу заснованом на кодеру.
Обучили смо једну хипермрежу да научимо како да прецизирамо тежине генератора у односу на жељену циљну слику. Учењем овог мапирања, ХиперСтиле ефикасно предвиђа тежине циљних генератора за мање од 2 секунде по слици, што га чини применљивим на широк спектар апликација.
Предложени метод има за циљ да реши проблем реконструкције недостајућих делова слике током уређивања. Горе предложене технике су се бавиле равнотежом између реконструкције и уређивања финим подешавањем имиџера како би се заменили делови циљне слике док су се поново креирали региони за уређивање који су првобитно недостајали. Недостатак таквих приступа је потреба за дуготрајном циљаном обуком неуронске мреже за сваку слику.
Метода заснована на СтилеГАН алгоритму омогућава коришћење типичног модела, унапред обучени на уобичајеним збиркама слика, да би се генерисали карактеристични елементи оригиналне слике са нивоом поверења који је упоредив са алгоритмима који захтевају индивидуалну обуку модела за сваку слику.
Једна од предности нове методе је могућност модификације слика са перформансама блиским реалном времену, поред чињенице да модел је спреман за обуку припремљен за те људе, аутомобиле и животиње на основу колекција из Флицкр-тхе Фацес-ХК (ФФХК, 70,000 висококвалитетних ПНГ слика лица људи), Тхе Станфорд Царс (16 слика аутомобила) и АФХК (фотографије животиња).
Поред тога, обезбеђен је сет алата за обуку ваших моделакао и обучени модели типичних кодера и генератора који су спремни за употребу са њима. На пример, доступни су генератори за креирање слика у Тоонифи стилу, Пикар ликова, креирање скица, па чак и стилизовање попут Дизнијевих принцеза.
Коначно за оне који су заинтересовани да сазнају више О овом алату можете проверити детаље У следећем линку.
Такође је важно напоменути да је код написан у Питхон-у користећи ПиТорцх фрамеворк и да је лиценциран МИТ-ом. Можете проверити код на следећи линк.