NVIDIA ওপেন সোর্সড StyleGAN3, মুখের সংশ্লেষণের জন্য একটি মেশিন লার্নিং সিস্টেম

NVIDIA StyleGAN3 এর জন্য সোর্স কোড প্রকাশ করেছে, একটি জেনারেটিভ অ্যাডভারসারিয়াল নিউরাল নেটওয়ার্ক (GAN) এর উপর ভিত্তি করে একটি মেশিন লার্নিং সিস্টেম যা মানুষের মুখের বাস্তবসম্মত চিত্রগুলিকে সংশ্লেষিত করার লক্ষ্যে। কোডটি PyTorch ফ্রেমওয়ার্ক ব্যবহার করে পাইথনে লেখা হয় এবং NVIDIA সোর্স কোড লাইসেন্সের অধীনে বিতরণ করা হয়, যা বাণিজ্যিক ব্যবহারের উপর বিধিনিষেধ আরোপ করে।

Flickr-Faces-HQ (FFHQ) সংগ্রহে প্রশিক্ষিত রেডিমেড প্রশিক্ষিত মডেল, যার মধ্যে রয়েছে 70 হাজার উচ্চ-মানের (1024x1024) মানুষের মুখের PNG ছবি, ডাউনলোডের জন্যও উপলব্ধ। এছাড়াও, AFHQv2 (প্রাণীর মুখের ছবি) এবং Metfaces (ক্ল্যাসিক্যাল পেইন্টিংয়ের প্রতিকৃতি থেকে মানুষের মুখের ছবি) সংগ্রহের ভিত্তিতে তৈরি মডেল রয়েছে। ডেভেলপমেন্ট ফোকাস মুখের উপর, কিন্তু সিস্টেমটি যেকোন বস্তু যেমন ল্যান্ডস্কেপ এবং গাড়ি তৈরি করতে প্রশিক্ষিত হতে পারে। অতিরিক্তভাবে, আপনার নিজের ছবি সংগ্রহ ব্যবহার করে একটি নিউরাল নেটওয়ার্ককে স্ব-প্রশিক্ষণ দেওয়ার জন্য সরঞ্জাম সরবরাহ করা হয়। এক বা একাধিক NVIDIA গ্রাফিক্স কার্ডের প্রয়োজন (টেসলা V100 বা A100 GPU প্রস্তাবিত), কমপক্ষে 12 GB RAM, PyTorch 1.9 এবং CUDA 11.1+ টুলকিট। ফলস্বরূপ মুখগুলির কৃত্রিম প্রকৃতি নির্ধারণ করতে, একটি বিশেষ আবিষ্কারক তৈরি করা হচ্ছে।

সিস্টেমটি আপনাকে বেশ কয়েকটি মুখের বৈশিষ্ট্যগুলির ইন্টারপোলেশনের উপর ভিত্তি করে একটি নতুন মুখের একটি চিত্র সংশ্লেষণ করতে দেয়, তাদের চারিত্রিক বৈশিষ্ট্যগুলিকে একত্রিত করে, সেইসাথে প্রয়োজনীয় বয়স, লিঙ্গ, চুলের দৈর্ঘ্য, হাসির চরিত্র, নাকের আকৃতির সাথে চূড়ান্ত চিত্রটিকে অভিযোজিত করে। ত্বকের রঙ, চশমা এবং ফটোগ্রাফের কোণ। জেনারেটর চিত্রটিকে শৈলীর সংগ্রহ হিসাবে বিবেচনা করে, স্বয়ংক্রিয়ভাবে সাধারণ উচ্চ-স্তরের বৈশিষ্ট্যগুলি (পোজ, লিঙ্গ, বয়স পরিবর্তন) থেকে চরিত্রগত বিবরণ (ফ্রেকলস, চুল, চশমা) পৃথক করে এবং আপনাকে প্রভাবশালী নির্ধারণের সাথে যে কোনও আকারে তাদের একত্রিত করার অনুমতি দেয়। ওজন সহগ মাধ্যমে বৈশিষ্ট্য. ফলস্বরূপ, এমন চিত্র তৈরি হয় যা বাস্তব ফটোগ্রাফ থেকে আলাদা করা যায় না।

StyleGAN প্রযুক্তির প্রথম সংস্করণ 2019 সালে প্রকাশিত হয়েছিল, তারপরে 2020 সালে StyleGAN2-এর একটি উন্নত সংস্করণ প্রস্তাব করা হয়েছিল, যা উন্নত চিত্রের গুণমান এবং কিছু নিদর্শন বাদ দেওয়ার অনুমতি দেয়। একই সময়ে, সিস্টেমটি স্থির ছিল, যেমন বাস্তবসম্মত অ্যানিমেশন এবং মুখের আন্দোলন অর্জনের অনুমতি দেয়নি। StyleGAN3 বিকাশ করার সময়, প্রধান লক্ষ্য ছিল অ্যানিমেশন এবং ভিডিওতে ব্যবহারের জন্য প্রযুক্তিটিকে মানিয়ে নেওয়া।

StyleGAN3 একটি নতুন ডিজাইন করা ইমেজ জেনারেশন আর্কিটেকচার ব্যবহার করে, অ্যালিয়াসিং মুক্ত, এবং নতুন নিউরাল নেটওয়ার্ক প্রশিক্ষণের পরিস্থিতি প্রস্তাব করে। এতে ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশন (visualizer.py), বিশ্লেষণ (avg_spectra.py) এবং ভিডিও জেনারেশন (gen_video.py) এর জন্য নতুন ইউটিলিটি অন্তর্ভুক্ত রয়েছে। বাস্তবায়ন মেমরি খরচ কমায় এবং শেখার প্রক্রিয়া গতি বাড়ায়।

StyleGAN3 আর্কিটেকচারের একটি মূল বৈশিষ্ট্য ছিল ক্রমাগত প্রক্রিয়ার আকারে নিউরাল নেটওয়ার্কের সমস্ত সংকেতকে ব্যাখ্যা করার জন্য রূপান্তর, যা অংশগুলি গঠন করার সময়, আপেক্ষিক অবস্থানগুলিকে ম্যানিপুলেট করা সম্ভব করেছিল যা পৃথক পিক্সেলের পরম স্থানাঙ্কের সাথে আবদ্ধ নয়। চিত্রটি, কিন্তু চিত্রিত বস্তুর পৃষ্ঠে স্থির। StyleGAN এবং StyleGAN2-এ, প্রজন্মের সময় পিক্সেলের সাথে আবদ্ধ হওয়ার ফলে গতিশীল রেন্ডারিংয়ের সময় সমস্যা দেখা দেয়, উদাহরণস্বরূপ, যখন ছবিটি সরানো হয়, তখন ছোট বিবরণের অমিল ছিল, যেমন বলি এবং চুল, যা মুখের বাকি অংশ থেকে আলাদাভাবে সরানো বলে মনে হয়। . StyleGAN3 এ, এই সমস্যাগুলি সমাধান করা হয়েছে এবং প্রযুক্তিটি ভিডিও তৈরির জন্য বেশ উপযুক্ত হয়ে উঠেছে।

উপরন্তু, NVIDIA এবং মাইক্রোসফটের ঘোষণাটি লক্ষণীয় যে, তারা "ট্রান্সফরমার" আর্কিটেকচার সহ একটি গভীর নিউরাল নেটওয়ার্কের উপর ভিত্তি করে বৃহত্তম ভাষা মডেল, MT-NLG তৈরি করেছে। মডেলটি 530 বিলিয়ন প্যারামিটার এবং 4480 GPU (560 সার্ভার DGX A100 (প্রতিটি আটটি A100 80GB GPU সহ) প্রাকৃতিক ভাষা প্রক্রিয়াকরণের কাজে ব্যবহৃত হয়, যেমন বাক্য সমাপ্তির পূর্বাভাস, প্রশ্নের উত্তর, পঠন বোধগম্যতা, প্রাকৃতিক ভাষা অনুমান এবং শব্দ অস্পষ্টতা বিশ্লেষণ।

উত্স: opennet.ru