အာရုံကြောကွန်ရက်များကို အသုံးပြုကာ ကာတွန်းပေါင်းစပ်မှုအတွက် ကုဒ်ကိုဖွင့်ပါ။

ရှန်ဟိုင်းနည်းပညာတက္ကသိုလ်မှ သုတေသီအဖွဲ့ ထုတ်ဝေခဲ့သည် ကိရိယာများ ကိုယ်တိုင်မဟုတ်သောပုံသေရုပ်ပုံများကို အသုံးပြု၍ လူများ၏ လှုပ်ရှားမှုများကို အတုယူရန် စက်သင်ယူမှုနည်းလမ်းများကို အသုံးပြု၍ အဝတ်အစားများ အစားထိုးခြင်း၊ ၎င်းတို့ကို အခြားပတ်ဝန်းကျင်သို့ လွှဲပြောင်းပေးပြီး အရာဝတ္ထုတစ်ခုမြင်နိုင်သည့် ထောင့်ကို ပြောင်းလဲနိုင်စေပါသည်။ ကုဒ်ကို Python ဖြင့်ရေးထားသည်။
framework ကို အသုံးပြု Pythorch. စည်းဝေးပွဲလည်း လိုအပ်တယ်။ မီးရှူးတိုင် နှင့် CUDA Toolkit ။

ကိရိယာအစုံသည် ထည့်သွင်းမှုအဖြစ် နှစ်ဘက်မြင်ရုပ်ပုံတစ်ပုံကို လက်ခံရရှိပြီး ရွေးချယ်ထားသော မော်ဒယ်အပေါ်အခြေခံ၍ မွမ်းမံထားသောရလဒ်ကို ပေါင်းစပ်ဖန်တီးပေးသည်။ အသွင်ပြောင်းခြင်းဆိုင်ရာ ရွေးချယ်စရာသုံးခုကို ပံ့ပိုးထားသည်-
မော်ဒယ်လေ့ကျင့်သင်ကြားထားသည့် ရွေ့လျားမှုများအတိုင်း ရွေ့လျားနေသော အရာဝတ္ထုတစ်ခုကို ဖန်တီးခြင်း။ မော်ဒယ်တစ်ခုမှ အရာဝတ္ထုတစ်ခုသို့ အသွင်အပြင်အစိတ်အပိုင်းများကို လွှဲပြောင်းခြင်း (ဥပမာ၊ အဝတ်အစား အပြောင်းအလဲ)။ ထောင့်သစ်တစ်ခု၏ မျိုးဆက် (ဥပမာ၊ မျက်နှာပြည့်ဓာတ်ပုံကို အခြေခံ၍ ပရိုဖိုင်ပုံတစ်ခု၏ ပေါင်းစပ်မှု)။ နည်းလမ်းသုံးခုလုံးကို ပေါင်းစပ်နိုင်သည်၊ ဥပမာ၊ သင်သည် မတူညီသောအဝတ်အစားများတွင် ရှုပ်ထွေးသော ကာယလှည့်ကွက်၏ စွမ်းဆောင်ရည်ကို အတုယူသည့် ဓာတ်ပုံတစ်ပုံမှ ဗီဒီယိုတစ်ခုကို ဖန်တီးနိုင်သည်။

ပေါင်းစပ်မှုလုပ်ငန်းစဉ်အတွင်း၊ ဓာတ်ပုံတစ်ပုံတွင် အရာဝတ္ထုတစ်ခုကို ရွေးချယ်ခြင်းနှင့် ရွေ့လျားသည့်အခါ ပျောက်ဆုံးနေသော နောက်ခံဒြပ်စင်များ ဖွဲ့စည်းခြင်းဆိုင်ရာ လုပ်ဆောင်ချက်များကို တစ်ပြိုင်နက် လုပ်ဆောင်ပါသည်။ အာရုံကြောကွန်ရက်ပုံစံကို တစ်ကြိမ်လေ့ကျင့်ပြီး အမျိုးမျိုးသော အသွင်ပြောင်းမှုအတွက် အသုံးပြုနိုင်သည်။ loading အတွက် ရရှိနိုင် ပဏာမလေ့ကျင့်မှုမပါဘဲ သင်ချက်ချင်းအသုံးပြုနိုင်သည့် ကိရိယာများကို အဆင်သင့်လုပ်ထားသော မော်ဒယ်များ။ လည်ပတ်ရန်အတွက် အနည်းဆုံး 8GB မမ်မိုရီအရွယ်အစားရှိသော GPU လိုအပ်သည်။

နှစ်ဘက်မြင် အာကာသအတွင်း ကိုယ်ထည်တည်နေရာကို ဖော်ပြသည့် အဓိကအချက်များဖြင့် အသွင်ပြောင်းခြင်းကို အခြေခံသည့် အသွင်ကူးပြောင်းရေးနည်းလမ်းများနှင့် မတူဘဲ၊ Impersonator သည် စက်သင်ယူမှုနည်းလမ်းများကို အသုံးပြု၍ ခန္ဓာကိုယ်၏ဖော်ပြချက်ဖြင့် သုံးဖက်မြင်ကွက်တစ်ခုကို ပေါင်းစပ်ရန် ကြိုးပမ်းသည်။
အဆိုပြုထားသောနည်းလမ်းသည် ခြေလက်အင်္ဂါများ၏ သဘာဝလှုပ်ရှားမှုများကို အတုယူ၍ စိတ်ကြိုက်ခန္ဓာကိုယ်ပုံစံနှင့် လက်ရှိကိုယ်ဟန်အနေအထားကို ထည့်သွင်းစဉ်းစားပြီး ခြယ်လှယ်နိုင်စေပါသည်။

အသွင်အပြင်၊ စတိုင်၊ အရောင်များနှင့် မျက်နှာမှတ်မိခြင်းကဲ့သို့သော မူရင်းအချက်အလက်များကို အသွင်ပြောင်းခြင်းလုပ်ငန်းစဉ်အတွင်း ထိန်းသိမ်းရန်၊ Generative Adversarial Neural Network ၊ (Liquid Warping GAN) မူရင်းအရာဝတ္တုနှင့် ကန့်သတ်ချက်များဆိုင်ရာ အချက်အလက်များကို ၎င်း၏တိကျသောဖော်ထုတ်ခြင်းအတွက် လျှောက်ထားခြင်းဖြင့် ထုတ်ယူသည်။ convolutional အာရုံကြောကွန်ရက်.

source: opennet.ru