အိမ်မှာ အိမ်မွေးတိရိစ္ဆာန် စောင့်ရှောက်သူတိုင်းက သူတို့ကို ချစ်တယ်။ ဒါပေမယ့် မင်းရဲ့အချစ်ဆုံးခွေးက မတူညီတဲ့မျိုးကွဲဆိုရင်တောင် ပိုချစ်စရာကောင်းနေမှာလား။ GANimals ဟုခေါ်သော NVIDIA မှ ကိရိယာအသစ်တစ်ခုကြောင့် သင်သည် မတူညီသောတိရစ္ဆာန်ဖြစ်လျှင် သင့်အနှစ်သက်ဆုံးအိမ်မွေးတိရစ္ဆာန်သည် ပို၍ချစ်စရာကောင်းမည်လားဟု အကဲဖြတ်နိုင်ပါသည်။
ယခုနှစ်အစောပိုင်းက NVIDIA သုတေသန သူ၏ GauGAN ကိရိယာဖြင့် အင်တာနက်အသုံးပြုသူများသည် ကြမ်းတမ်းသော ပုံကြမ်းများကို ဓာတ်ပုံအဖြစ် လက်တွေ့ဆန်သော ပုံများအဖြစ် ပြောင်းလဲနိုင်စေခဲ့သည်။ ဤတူးလ်သည် အသုံးပြုသူများအား သင့်လျော်သော စုတ်တံအရောင်ကို ရွေးချယ်ခြင်းဖြင့် ပုံ၏ မည်သည့်အစိတ်အပိုင်းများဖြစ်သင့်သည်ဖြစ်စေ ရေ၊ သစ်ပင်၊ တောင်များနှင့် အခြားအထင်ကရများကို သတ်မှတ်ရန် လိုအပ်သော်လည်း GANimals သည် အလိုအလျောက်အလုပ်လုပ်ပါသည်။ သင်လုပ်ရမှာက သင့်အိမ်မွေးတိရစ္ဆာန်ရဲ့ ဓာတ်ပုံတစ်ပုံကို အပ်လုဒ်လုပ်ပါ၊ ၎င်းသည် နမူနာ၏ "မျက်နှာအမူအရာ" ကို ထိန်းသိမ်းထားသည့် အခြားတိရိစ္ဆာန်များ၏ ပုံသဏ္ဍာန်အစီအရီကို ဖန်တီးပေးမည်ဖြစ်သည်။
ယခုတစ်ပတ်၊ ကိုရီးယားနိုင်ငံ ဆိုးလ်မြို့ရှိ International Conference on Computer Vision တွင် တင်ပြသည့် စာတမ်းတစ်ခုတွင် သုတေသီများက ၎င်းတို့ တီထွင်ခဲ့သော algorithm ကို ဖော်ပြခဲ့သည်- . ၎င်းသည် Few-shot၊ UN ကြီးကြပ်ထားသော Image-to-image ဘာသာပြန်ဆိုခြင်းအတွက် ကိုယ်စားပြုသည်။ ရင်းမြစ်ပုံတစ်ပုံ၏ ဝိသေသလက္ခဏာများကို ပစ်မှတ်ပုံအဖြစ်သို့ ပြောင်းလဲရန် အတုထောက်လှမ်းရေးကို အသုံးပြုသောအခါ၊ လက်တွေ့ဆန်သော ရလဒ်များထွက်ပေါ်လာစေရန် ကွဲပြားခြားနားသောအလင်းအဆင့်နှင့် ကင်မရာထောင့်များပါသည့် ပစ်မှတ်ပုံများ၏ အစုအဝေးကြီးတွင် ဥာဏ်ရည်တုကို ပုံမှန်အားဖြင့် လေ့ကျင့်ရန် လိုအပ်သည်။ သို့သော်ထိုကဲ့သို့သောကြီးမားသောရုပ်ပုံဒေတာဘေ့စ်ကိုဖန်တီးရန်အချိန်ကြာမြင့်ပြီး neural network ၏စွမ်းဆောင်ရည်များကိုကန့်သတ်ထားသည်။ ကြက်တွေကို ကြက်ဆင်ဖြစ်အောင် ပြောင်းလဲဖို့ AI က လေ့ကျင့်ထားရင် အဲဒါက တစ်ခုတည်းသော အရာပါ။
နှိုင်းယှဉ်ကြည့်လျှင် FUNIT algorithm သည် ၎င်းကို ထပ်ခါတလဲလဲ လေ့ကျင့်ထားသည့် ပစ်မှတ်တိရစ္ဆာန်၏ ပုံအနည်းငယ်မျှသာ အသုံးပြု၍ လေ့ကျင့်နိုင်သည်။ အယ်လဂိုရီသမ်ကို လုံလုံလောက်လောက် လေ့ကျင့်ပြီးသည်နှင့်၊ ၎င်းသည် လုံးဝ ကျပန်းဖြစ်နိုင်ပြီး ယခင်က လုပ်ဆောင်ခြင်း သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာခြင်း မရှိသော အရင်းအမြစ်နှင့် ပစ်မှတ်တိရစ္ဆာန်များ၏ ပုံတစ်ပုံသာ လိုအပ်ပါသည်။
စိတ်ပါဝင်စားသူများသည် GANanimals တွင် စုံစမ်းနိုင်ပါသည်။ သို့သော် ယခုအချိန်အထိ ရလဒ်များသည် ကြည်လင်ပြတ်သားမှု နည်းပါးပြီး ပညာရေးဆိုင်ရာ ရည်ရွယ်ချက်များမှလွဲ၍ အခြားမည်သည့်အရာအတွက်မဆို သို့မဟုတ် သိချင်စိတ်ကို ကျေနပ်စေရန်အတွက် မသင့်လျော်ပါ။ သုတေသီများသည် AI နှင့် algorithm ၏ စွမ်းဆောင်ရည်များကို နောက်ဆုံးတွင် မြှင့်တင်ရန် မျှော်လင့်ထားပြီး သေသေချာချာ စီခြယ်ထားသော ပုံများ၏ ကြီးမားသော ဒေတာဘေ့စ်များကို မမှီခိုဘဲ လူများ၏ မျက်နှာများကို မကြာမီ ပြောင်းလဲနိုင်စေရန် မျှော်လင့်ပါသည်။
source: 3dnews.ru