{"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\/fr\/blog\/news\/nvidia-otkryla-kod-stylegan3-sistemy-mashinnogo-obucheniya-dlya-sinteza-licz","title":{"rendered":"NVIDIA a ouvert le code de StyleGAN3, un syst\u00e8me d'apprentissage automatique pour la synth\u00e8se de visages","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

La soci\u00e9t\u00e9 NVIDIA a publi\u00e9 le code source de StyleGAN3, un syst\u00e8me d'apprentissage automatique bas\u00e9 sur un r\u00e9seau antagoniste g\u00e9n\u00e9ratif (GAN), destin\u00e9 \u00e0 synth\u00e9tiser des images r\u00e9alistes de visages humains. Le code est \u00e9crit en Python \u00e0 l'aide du framework PyTorch et est distribu\u00e9 sous la licence NVIDIA Source Code License, qui impose des restrictions sur une utilisation commerciale. <\/p>\n

Des mod\u00e8les pr\u00e9-entra\u00een\u00e9s, bas\u00e9s sur la collection Flickr-Faces-HQ (FFHQ) avec 70 000 images PNG de visages humains de haute qualit\u00e9 (1024×1024), sont \u00e9galement disponibles pour le t\u00e9l\u00e9chargement. De plus, des mod\u00e8les bas\u00e9s sur les collections AFHQv2 (photos de visages d'animaux) et Metfaces (images de visages de portraits de peinture classique) sont fournis. Lors du d\u00e9veloppement, l\u2019accent est mis sur les visages, mais le syst\u00e8me peut \u00eatre form\u00e9 pour g\u00e9n\u00e9rer tout type d'objets, tels que des paysages et des voitures. Des outils sont \u00e9galement disponibles pour l'apprentissage autonome du r\u00e9seau neuronal \u00e0 partir de vos propres collections d'images. Un ou plusieurs GPU NVIDIA (recommand\u00e9s : GPU Tesla V100 ou A100), au minimum 12 Go de RAM, PyTorch 1.9 et l'outil CUDA 11.1+ sont requis. Un d\u00e9tecteur sp\u00e9cial est en cours de d\u00e9veloppement pour d\u00e9terminer le caract\u00e8re artificiel des visages g\u00e9n\u00e9r\u00e9s. <\/p>\n

Le syst\u00e8me permet de synth\u00e9tiser l'image d'un nouveau visage en interpolant les caract\u00e9ristiques de plusieurs visages, en combinant leurs traits propres et en adaptant l'image finale en fonction de l'\u00e2ge, du sexe, de la longueur des cheveux, de la nature du sourire, de la forme du nez, de la couleur de la peau, des lunettes et de l'angle de la photographie requis. Le g\u00e9n\u00e9rateur consid\u00e8re l'image comme une collection de styles, s\u00e9parant automatiquement les d\u00e9tails caract\u00e9ristiques (taches de rousseur, cheveux, lunettes) des attributs g\u00e9n\u00e9raux de haut niveau (posture, sexe, changements li\u00e9s \u00e0 l'\u00e2ge) et permettant de les combiner librement en d\u00e9finissant des propri\u00e9t\u00e9s dominantes par des coefficients de poids. En cons\u00e9quence, des images sont g\u00e9n\u00e9r\u00e9es, indiscernables des vraies photographies.

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

La premi\u00e8re version de la technologie StyleGAN a \u00e9t\u00e9 publi\u00e9e en 2019, suivie en 2020 d'une \u00e9dition am\u00e9lior\u00e9e, StyleGAN2, qui permet d'am\u00e9liorer la qualit\u00e9 des images et d'\u00e9liminer certains artefacts. Cependant, le syst\u00e8me est rest\u00e9 statique, c'est-\u00e0-dire qu'il ne permettait pas d'obtenir une animation r\u00e9aliste ni de mouvement facial. Dans le d\u00e9veloppement de StyleGAN3, l'objectif principal \u00e9tait d'adapter la technologie pour son utilisation dans l'animation et la vid\u00e9o. <\/p>\n

Dans StyleGAN3, une architecture de g\u00e9n\u00e9ration d'images retravaill\u00e9e a \u00e9t\u00e9 utilis\u00e9e, d\u00e9barrass\u00e9e de l'aliasing, et de nouveaux sc\u00e9narios d'apprentissage pour le r\u00e9seau de neurones ont \u00e9t\u00e9 propos\u00e9s. De nouveaux outils pour la visualisation interactive (visualizer.py), l'analyse (avg_spectra.py) et la g\u00e9n\u00e9ration vid\u00e9o (gen_video.py) ont \u00e9t\u00e9 inclus. La mise en \u0153uvre a \u00e9galement r\u00e9duit la consommation de m\u00e9moire et acc\u00e9l\u00e9r\u00e9 le processus d'apprentissage.

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

Une caract\u00e9ristique cl\u00e9 de l'architecture de StyleGAN3 est le passage \u00e0 l'interpr\u00e9tation de tous les signaux dans le r\u00e9seau de neurones sous forme de processus continus, ce qui a permis, lors de la formation des d\u00e9tails, de manipuler les positions relatives, sans \u00eatre attach\u00e9es aux coordonn\u00e9es absolues des pixels individuels sur l'image, mais fixes \u00e0 la surface des objets repr\u00e9sent\u00e9s. Dans StyleGAN et StyleGAN2, l'attachement aux pixels lors de la g\u00e9n\u00e9ration a pos\u00e9 des probl\u00e8mes lors de la visualisation dynamique ; par exemple, lors du mouvement de l'image, un d\u00e9calage des petits d\u00e9tails, tels que les rides et les cheveux, a \u00e9t\u00e9 observ\u00e9, qui se d\u00e9pla\u00e7aient comme s'ils \u00e9taient s\u00e9par\u00e9s du reste du visage. Dans StyleGAN3, ces probl\u00e8mes sont r\u00e9solus et la technologie est d\u00e9sormais enti\u00e8rement adapt\u00e9e \u00e0 la g\u00e9n\u00e9ration de vid\u00e9os.