Iedereen die thuis een huisdier houdt, is er dol op. Maar zou uw geliefde hond er nog schattiger uitzien als hij van een ander ras was? Dankzij een nieuwe tool van NVIDIA genaamd GANimals, kun je beoordelen of je favoriete huisdier er nog schattiger uit zou zien als het een ander dier was.
Eerder dit jaar, NVIDIA Research Internetgebruikers met zijn GauGAN-tool, waarmee hij ruwe schetsen kon omzetten in bijna fotorealistische beelden. Deze tool vereiste dat gebruikers specificeerden welke delen van de afbeelding water, bomen, bergen en andere oriëntatiepunten moesten zijn door de juiste penseelkleur te selecteren, maar GANimals werkt volledig automatisch. Het enige wat u hoeft te doen is een foto van uw huisdier uploaden, waarna er een reeks fotorealistische afbeeldingen van andere dieren ontstaat die de ‘gezichtsuitdrukking’ van het exemplaar behouden.
Deze week beschreven de onderzoekers in een paper gepresenteerd op de Internationale Conferentie over Computer Vision in Seoul, Korea het algoritme dat ze ontwikkelden: . Het staat voor Few-shot, UNsupervised Image-to-image Translation. Wanneer kunstmatige intelligentie wordt gebruikt om de kenmerken van een bronbeeld om te zetten in een doelbeeld, moet de kunstmatige intelligentie doorgaans worden getraind op een grote verzameling doelbeelden met verschillende lichtniveaus en camerahoeken om resultaten te produceren die er realistisch uitzien. Maar het creëren van zo’n grote beelddatabase kost veel tijd en beperkt de mogelijkheden van het neurale netwerk. Als een AI wordt getraind om kippen in kalkoenen te veranderen, is dat het enige dat hij goed zal doen.
Ter vergelijking: het FUNIT-algoritme kan worden getraind met slechts een paar afbeeldingen van het doeldier waarop het herhaaldelijk wordt geoefend. Als het algoritme eenmaal voldoende is getraind, heeft het slechts één afbeelding nodig van de bron- en doeldieren, die volledig willekeurig kunnen zijn en nog nooit eerder zijn verwerkt of geanalyseerd.
Geïnteresseerden kunnen GANanimals uitproberen op , maar tot nu toe hebben de resultaten een lage resolutie en zijn ze niet geschikt voor andere doeleinden dan educatieve doeleinden of om nieuwsgierigheid te bevredigen. De onderzoekers hopen uiteindelijk de mogelijkheden van de AI en het algoritme te verbeteren, zodat het binnenkort mogelijk zal zijn om de gezichten van mensen te veranderen zonder afhankelijk te zijn van enorme databases met zorgvuldig samengestelde afbeeldingen.
Bron: 3dnews.ru