ஒரு குழு டெல் அவிவ் பல்கலைக்கழக ஆராய்ச்சியாளர்கள் சமீபத்தில் ஹைப்பர் ஸ்டைலை வெளியிட்டனர், எது ஒரு தலைகீழ் பதிப்பு இயந்திர கற்றல் அமைப்பின் NVIDIA StyleGAN2 நிஜ உலகப் படங்களைத் திருத்தும்போது காணாமல் போன துண்டுகளை மீண்டும் உருவாக்க மறுவடிவமைப்பு செய்யப்பட்டுள்ளது.
StyleGAN ஆனது யதார்த்தமான தோற்றம் கொண்ட நபர்களின் புதிய முகங்களை ஒருங்கிணைக்க அனுமதிப்பதன் மூலம் வகைப்படுத்தப்படுகிறது, வயது, பாலினம், முடி நீளம், புன்னகையின் தன்மை, மூக்கின் வடிவம், தோல் நிறம், கண்ணாடிகள் மற்றும் புகைப்படக் கோணம் போன்ற அளவுருக்களை அமைக்கிறது.
மறுபுறம், ஹைப்பர்ஸ்டைல் ஏற்கனவே உள்ளவற்றில் ஒத்த அளவுருக்களை மாற்றுவதை சாத்தியமாக்குகிறது, வேறு வார்த்தைகளில் கூறுவதானால், புகைப்படங்களின் சிறப்பியல்பு அம்சங்களை மாற்றாமல் மற்றும் அசல் முகத்தின் அடையாளம் காணப்படாமல் பாதுகாக்க இது உங்களை அனுமதிக்கிறது.
கொடுக்கப்பட்ட உள்ளீட்டு படத்துடன் ஒப்பிடும்போது, முன்னர் பயிற்சியளிக்கப்பட்ட StyleGAN ஜெனரேட்டரின் எடையை எவ்வாறு செம்மைப்படுத்துவது என்பதை அறிய ஹைப்பர்ஸ்டைல் ஹைப்பர்நெட்வொர்க்குகளை அறிமுகப்படுத்துகிறது. அவ்வாறு செய்வதன் மூலம் குறியாக்கி போன்ற அனுமான நேரங்கள் மற்றும் அதிக திருத்தக்கூடிய தன்மையுடன் மேம்படுத்தல் நிலை மீண்டும் உருவாக்கப்படுகிறது.
உதாரணமாக, பயன்படுத்தும் போது ஹைப்பர்ஸ்டைல், ஒரு புகைப்படத்தில் ஒரு நபரின் வயதில் ஏற்படும் மாற்றத்தை உருவகப்படுத்த முடியும், ஒரு சிகை அலங்காரத்தை மாற்றவும், கண்ணாடி, தாடி அல்லது மீசை சேர்க்கவும், ஒரு கார்ட்டூன் பாத்திரம் அல்லது கையால் வரையப்பட்ட படம் போல ஒரு படத்தை உருவாக்கவும், சோகமான அல்லது மகிழ்ச்சியான முகத்தை வெளிப்படுத்தவும்.
இந்த வழக்கில், இந்த அமைப்பு மக்களின் முகங்களை மாற்றுவதற்கு மட்டுமல்ல, எந்தவொரு பொருளுக்கும் பயிற்சியளிக்கப்படலாம் உதாரணமாக, கார் படங்களை எடிட் செய்ய.
தலைகீழாகப் படிக்கும் பெரும்பாலான படைப்புகள், கொடுக்கப்பட்ட படத்தை மிகவும் துல்லியமாக மறுகட்டமைக்கும் மறைந்த குறியீட்டைத் தேடுகின்றன. கொடுக்கப்பட்ட இலக்கு படத்திற்கான உயர்தர மறுகட்டமைப்பை அடைய ஜெனரேட்டர் எடைகளின் படத்தை நன்றாகச் சரிசெய்வதை சில சமீபத்திய வேலைகள் முன்மொழிந்துள்ளன. HyperStyle மூலம், இந்த ஜெனரேட்டர் ட்யூனிங் அணுகுமுறைகளை குறியாக்கி அடிப்படையிலான அணுகுமுறைக்கு மாற்றியமைப்பதன் மூலம் ஊடாடும் பயன்பாடுகளின் மண்டலத்திற்கு கொண்டு வருவதை நோக்கமாகக் கொண்டுள்ளோம்.
விரும்பிய இலக்கு படத்துடன் தொடர்புடைய ஜெனரேட்டர் எடையை எவ்வாறு செம்மைப்படுத்துவது என்பதை அறிய, ஒற்றை ஹைப்பர்நெட்வொர்க்கைப் பயிற்றுவித்தோம். இந்த மேப்பிங்கைக் கற்றுக்கொள்வதன் மூலம், ஒரு படத்திற்கு 2 வினாடிகளுக்குள் ஜெனரேட்டர் இலக்கு எடையை ஹைப்பர்ஸ்டைல் திறமையாகக் கணித்து, பரவலான பயன்பாடுகளுக்குப் பொருந்தும்.
முன்மொழியப்பட்ட முறை எடிட்டிங் செய்யும் போது படத்தின் காணாமல் போன பகுதிகளை மறுகட்டமைப்பதில் உள்ள சிக்கலை தீர்க்கும் நோக்கம் கொண்டது. மேலே முன்மொழியப்பட்ட நுட்பங்கள், முதலில் காணாமல் போன எடிட் செய்யக்கூடிய பகுதிகளை மீண்டும் உருவாக்கும் போது இலக்கு படத்தின் பகுதிகளை மாற்றுவதற்கு இமேஜரை நன்றாகச் சரிசெய்வதன் மூலம் புனரமைப்பு மற்றும் எடிட்டிங் இடையே உள்ள சமநிலையை நிவர்த்தி செய்துள்ளன. இத்தகைய அணுகுமுறைகளின் எதிர்மறையானது ஒவ்வொரு படத்திற்கும் நரம்பியல் வலையமைப்பின் நீண்ட கால இலக்கு பயிற்சியின் தேவையாகும்.
StyleGAN அல்காரிதம் அடிப்படையிலான முறையானது ஒரு பொதுவான மாதிரியைப் பயன்படுத்த அனுமதிக்கிறது, ஒவ்வொரு படத்திற்கும் மாதிரியின் தனிப்பட்ட பயிற்சி தேவைப்படும் அல்காரிதங்களுடன் ஒப்பிடக்கூடிய அளவிலான நம்பிக்கையுடன் அசல் படத்தின் சிறப்பியல்பு கூறுகளை உருவாக்க, படங்களின் பொதுவான சேகரிப்புகளில் முன் பயிற்சியளிக்கப்பட்டது.
புதிய முறையின் நன்மைகளில் ஒன்று, நிகழ்நேரத்திற்கு நெருக்கமான செயல்திறனுடன் படங்களை மாற்றியமைக்கும் திறன் ஆகும். சேகரிப்புகளின் அடிப்படையில் அந்த மக்கள், கார்கள் மற்றும் விலங்குகளுக்காக தயாரிக்கப்பட்ட பயிற்சிக்கு மாதிரி தயாராக உள்ளது Flickr-the Faces-HQ (FFHQ, மக்களின் முகங்களின் 70,000 உயர்தர PNG படங்கள்), The Stanford Cars (16 கார்களின் படங்கள்) மற்றும் AFHQ (விலங்குகளின் புகைப்படங்கள்) ஆகியவற்றிலிருந்து.
கூடுதலாக, உங்கள் மாடல்களைப் பயிற்றுவிக்க ஒரு தொகுப்பு கருவிகள் வழங்கப்பட்டுள்ளனஅத்துடன் வழக்கமான குறியாக்கிகள் மற்றும் ஜெனரேட்டர்களின் பயிற்சி பெற்ற மாதிரிகள் பயன்படுத்த தயாராக உள்ளன. எடுத்துக்காட்டாக, Toonify பாணி படங்கள், பிக்சர் எழுத்துக்கள், ஓவியங்களை உருவாக்குதல் மற்றும் டிஸ்னி இளவரசிகள் போன்ற ஸ்டைலிங் செய்ய ஜெனரேட்டர்கள் உள்ளன.
இறுதியாக மேலும் அறிய ஆர்வமுள்ளவர்களுக்கு இந்த கருவியைப் பற்றி, நீங்கள் விவரங்களைச் சரிபார்க்கலாம் பின்வரும் இணைப்பில்.
PyTorch கட்டமைப்பைப் பயன்படுத்தி Python இல் குறியீடு எழுதப்பட்டுள்ளது மற்றும் MIT உரிமம் பெற்றது என்பதையும் குறிப்பிடுவது முக்கியம். நீங்கள் குறியீட்டை சரிபார்க்கலாம் பின்வரும் இணைப்பு.