{"id":101605,"date":"2021-10-12T16:22:58","date_gmt":"2021-10-12T14:23:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/nvidia-otkryla-kod-stylegan3-sistemy-mashinnogo-obucheniya-dlya-sinteza-licz"},"modified":"2021-10-12T16:22:58","modified_gmt":"2021-10-12T14:23:00","slug":"nvidia-otkryla-kod-stylegan3-sistemy-mashinnogo-obucheniya-dlya-sinteza-licz","status":"publish","type":"post","link":"https:\/\/prohoster.info\/et\/blog\/news\/nvidia-otkryla-kod-stylegan3-sistemy-mashinnogo-obucheniya-dlya-sinteza-licz","title":{"rendered":"NVIDIA has opened the code for StyleGAN3, a machine learning system for face synthesis.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

NVIDIA ettev\u00f5te avaldas StyleGAN3 l\u00e4htekoodid, mis on masin\u00f5ppes\u00fcsteem, p\u00f5hinev genereerivatel vastandv\u00f5rkudel (GAN), mille eesm\u00e4rk on s\u00fcnteesida realistlikke inimeste n\u00e4o pilte. Kood on kirjutatud Pythonis, kasutades PyTorch raamistiku, ja levitatakse NVIDIA Allika Koodide Litsentsi alusel, mis seab piiranguid kaubanduslikuks kasutamiseks. <\/p>\n

Laadimiseks on saadaval ka valmis treenitud mudelid, mis on koolitatud Flickr-Faces-HQ (FFHQ) kogumil, kuhu kuulub 70 tuhat k\u00f5rgekvaliteedilist (1024\u00d71024) PNG-pilti inimeste n\u00e4gudest. Lisaks on olemas mudeleid, mis p\u00f5hinevad AFHQv2 (loomade n\u00e4opildid) ja Metfaces (inimeste portreepildid klassikalisest kunstist) kogudel. Arendamisel keskendutakse n\u00e4gudele, kuid s\u00fcsteemi saab \u00f5petada genereerima mis tahes objekte, n\u00e4iteks maastikke ja autosid. Samuti pakutakse t\u00f6\u00f6riistu, et iseseisvalt \u00f5petada tehisn\u00f6\u00f6ri oma pildikogude alusel. T\u00f6\u00f6ks on vajalik \u00fcks v\u00f5i mitu NVIDIA graafikakaarti (soovitatavad GPU Tesla V100 v\u00f5i A100), v\u00e4hemalt 12 GB RAMi, PyTorch 1.9 ja CUDA t\u00f6\u00f6riistakomplekt 11.1+. Teatud n\u00e4gude tehislikkuse m\u00e4\u00e4ramiseks arendatakse spetsiaalset detektorit. <\/p>\n

S\u00fcsteem v\u00f5imaldab s\u00fcnteesida uue n\u00e4o pilti, mille aluseks on mitme n\u00e4o joonte interpolatsioon, kombineerides nendele omaseid jooni ning kohandades l\u00f5pppilti vajaliku vanuse, soo, juuste pikkuse, naeratuse iseloomu, nina kuju, naha v\u00e4rvi, prillide ja foto nurga j\u00e4rgi. Generaator k\u00e4sitleb pilti stiilide kogumina, lahustab automaatselt iseloomulikud detailid (tedret\u00e4hed, juuksed, prillid) \u00fcldistest k\u00f5rgetasemelistest atribuutidest (asend, sugu, vanuse muutused) ning v\u00f5imaldab neid omavahel vabalt kombineerida, m\u00e4\u00e4rates domineerivad omadused kaalu koefitsientide kaudu. Selle tulemusena genereeritakse pildid, mis n\u00e4evad v\u00e4lja sama ehtsad nagu reaalsete fotode.

\"NVIDIA<\/center> <\/p>\n

StyleGAN tehnoloogia esimene versioon avaldati 2019. aastal, millele j\u00e4rgnes 2020. aastal t\u00e4iustatud versioon StyleGAN2. See v\u00f5imaldas paremat pildikvaliteeti ja lahendas m\u00f5ned artefaktid. Siiski j\u00e4i s\u00fcsteem staatiliseks, st ei v\u00f5imaldanud saavutada realistlikku animatsiooni ja n\u00e4o liikumist. StyleGAN3 arendamisel oli peamine eesm\u00e4rk tehnoloogia kohandamine animatsioonide ja videote loomiseks. <\/p>\n

StyleGAN3-s on kasutusel \u00fcmber kujundatud pildigeneratsiooni arhitektuur, mis on vaba aliasing'ust, ja uued \u00f5ppimise stsenaariumid n\u00e4rviv\u00f5rgu koolitamiseks. Komplektsusesse on lisatud uued interaktiivsed visualiseerimise (visualizer.py), anal\u00fc\u00fcsi (avg_spectra.py) ja video genereerimise (gen_video.py) t\u00f6\u00f6riistad. Samuti on rakenduses v\u00e4hendatud m\u00e4lu tarbimist ja kiirendatud koolitusprotsessi.

\"NVIDIA<\/center> <\/p>\n

StyleGAN3 arhitektuuri peamine omadus on \u00fcleminek k\u00f5ikide signaalide t\u00f5lgendamisele n\u00e4rviv\u00f5rgus pidevate protsesside vormis. See v\u00f5imaldab detailide loomisel manipuleerida suhteliste positsioonidega, mis ei ole seotud individuaalsete pikslite absoluutsete koordinaatidega, vaid on kinnitatud kujutatud objektide pinnale. StyleGAN-i ja StyleGAN2 puhul viis pikslite seos genereerimise ajal probleemideni d\u00fcnaamilises visualiseerimises; n\u00e4iteks liikuva pildi korral ilmnes v\u00e4ikeste detailide, nagu kortsud ja karvad, k\u00f5rvalekalle, mis liikusid justkui eraldi \u00fclej\u00e4\u00e4nud n\u00e4ost. StyleGAN3 on need probleemid lahendanud ja tehnoloogia sobib n\u00fc\u00fcd video genereerimiseks.