NVIDIA चे न्यूरल नेटवर्क तुम्हाला तुमच्या पाळीव प्राण्याला दुसरा प्राणी म्हणून कल्पना करू देते

घरात पाळीव प्राणी ठेवणाऱ्या प्रत्येकाला ते आवडतात. तथापि, जर तुमचा लाडका कुत्रा वेगळ्या जातीचा असता तर तो आणखी गोंडस दिसतो का? NVIDIA कडून GANimals नावाच्या नवीन साधनाबद्दल धन्यवाद, तुमचा आवडता पाळीव प्राणी वेगळा प्राणी असता तर तो आणखी सुंदर दिसतो की नाही याचे तुम्ही मूल्यांकन करू शकता.

या वर्षाच्या सुरुवातीला, NVIDIA संशोधन आधीच आश्चर्य त्याच्या GauGAN टूलसह इंटरनेट वापरकर्ते, ज्यामुळे त्याला उग्र स्केचेस जवळजवळ फोटोरिअलिस्टिक प्रतिमांमध्ये बदलता आले. या साधनासाठी वापरकर्त्यांना योग्य ब्रश रंग निवडून प्रतिमेचे कोणते भाग पाणी, झाडे, पर्वत आणि इतर खुणा असाव्यात हे निर्दिष्ट करणे आवश्यक आहे, परंतु GANimals पूर्णपणे स्वयंचलितपणे कार्य करते. तुम्हाला फक्त तुमच्या पाळीव प्राण्याचा फोटो अपलोड करायचा आहे आणि ते इतर प्राण्यांच्या फोटोरिअलिस्टिक प्रतिमांची मालिका तयार करेल जे नमुन्याचे "चेहर्यावरील भाव" टिकवून ठेवतील.

या आठवड्यात, सोल, कोरिया येथे कॉम्प्युटर व्हिजनवरील आंतरराष्ट्रीय परिषदेत सादर केलेल्या पेपरमध्ये, संशोधकांनी त्यांनी विकसित केलेल्या अल्गोरिदमचे वर्णन केले - FUNIT. याचा अर्थ Few-shot, UNSuppervised Image-to-image Translation असा होतो. स्त्रोत प्रतिमेची वैशिष्ट्ये लक्ष्य प्रतिमेमध्ये रूपांतरित करण्यासाठी कृत्रिम बुद्धिमत्ता वापरताना, कृत्रिम बुद्धिमत्तेला विशेषत: वास्तववादी दिसणारे परिणाम तयार करण्यासाठी भिन्न प्रकाश पातळी आणि कॅमेरा कोन असलेल्या लक्ष्य प्रतिमांच्या मोठ्या संग्रहावर प्रशिक्षित करणे आवश्यक आहे. परंतु एवढा मोठा इमेज डेटाबेस तयार करण्यासाठी खूप वेळ लागतो आणि न्यूरल नेटवर्कची क्षमता मर्यादित करते. जर एआयला कोंबडीचे टर्की बनवण्याचे प्रशिक्षण दिले गेले तर तेच चांगले करेल.

त्या तुलनेत, FUNIT अल्गोरिदम हे लक्ष्यित प्राण्याच्या काही प्रतिमा वापरून प्रशिक्षित केले जाऊ शकते ज्यावर तो वारंवार सराव केला जातो. एकदा अल्गोरिदम पुरेसे प्रशिक्षित झाल्यानंतर, त्याला फक्त स्त्रोत आणि लक्ष्यित प्राण्यांची एक प्रतिमा आवश्यक आहे, जी पूर्णपणे यादृच्छिक असू शकते आणि यापूर्वी कधीही प्रक्रिया किंवा विश्लेषण केले गेले नाही.

ज्यांना स्वारस्य आहे ते GANanimals येथे वापरून पाहू शकतात NVIDIA AI खेळाचे मैदान, परंतु आतापर्यंतचे परिणाम कमी रिझोल्यूशनचे आहेत आणि शैक्षणिक हेतूंशिवाय किंवा जिज्ञासा पूर्ण करण्यासाठी इतर कोणत्याही गोष्टीसाठी योग्य नाहीत. संशोधकांना आशा आहे की शेवटी एआय आणि अल्गोरिदमची क्षमता सुधारली जाईल जेणेकरून काळजीपूर्वक क्युरेट केलेल्या प्रतिमांच्या प्रचंड डेटाबेसवर अवलंबून न राहता लोकांचे चेहरे बदलणे लवकरच शक्य होईल.

स्त्रोत: 3dnews.ru