Искусственный интеллект научит вас рисовать как Ван Го

Новая система искусственного интеллекта может превратить простые эскизы в картины, напоминающие работы великих художников XIX и XX веков, как говорят исследователи.

Система искусственного интеллекта (ИИ), получившая название Винсента, научилась рисовать «изучением» 8000 произведений искусства от эпохи Возрождения до XX века. По словам создателей системы — инженеров из исследовательской и инновационной компании CambridgeConsultants из Соединенного Королевства — Винсент уникален не только своей способностью создавать искусство, но и его способность оперативно реагировать на человеческий вклад.

«Винсент позволяет рисовать края с помощью пера, которую вы можете себе представить, и с этих картин, она создает возможную картину, основанную на ее обучении», — сказал Монти Барлоу, директор по компьютерному обучению в Cambridge Consultants, который возглавлял проект. «Существует такая озабоченность, что искусственный интеллект начнет заменять людей, делающих для них вещи, но Винсент позволяет людям принимать участие в решениях творчества искусственного интеллекта».

Некоторые предыдущие попытки создания искусственного интеллекта дали довольно страшные результаты, такие как портреты человека, нарисованные инструментом Pix2Pix, который был представлен в начале этого года голландской общественной организацией Broadcaster. Pix2Pix использовал эскизы, нарисованные людьми в качестве отправной точки, и попытался превратить их в то, что должно напоминать масляную живопись женского лица. Однако творения больше походили на то, будто их вытащили из фильма ужасов.

В то время как искусство Винсента не выглядит вполне реалистичным, оно может пройти для некоторых более абстрактных творений мастеров эпохи импрессионистов или экспрессионистов, таких как Винсент Ван Гог или Эдвард Мунк.

«Он узнал контраст, цвет и маски», — сказал Барлоу в интервью Live Science на 22-мсаммите Re.WorkDeepLearning, где впервые был представлен Винсент. «Это может принести все это, когда вы рисуете картину, предоставляя вам доступ ко всему этому художественному контенту».

Барлоу сказал, что использование только 8 000 произведений искусства для подготовки Винсента само по себе является крупным достижением. Раньше аналогичной системе понадобились бы миллионы или даже миллиарды образцов для обучения рисованию.

«В настоящее время большинство машинных учений посвящено классификации и подаче множества примеров в систему», — сказал Барлоу. «Это называется контролируемым обучением. Например, вы показываете миллион фотографий с лицом, а миллион фотографий — без лица, и он учится обнаруживать лица».

Винсент использует более сложную технику, которая позволяет машине учить себя автоматически, без постоянного ввода человеком. Система, основанная на способности Винсента, основана на так называемой генеративной состязательной сети, которая была впервые описана в 2014 году. В этой технике используются две нейронные сети, которые конкурируют друг с другом. Вначале обе сети обучаются, например, на изображениях птиц. Впоследствии одной сети поручается производить больше изображений птиц, которые убедят другую сеть в том, что они реальны. По словам исследователей, потихоньку первая сеть становится лучше при создании реалистичных изображений, а вторая улучшается при обнаружении подделок.

«Для Винсента нам пришлось объединить несколько этих сетей в довольно сложную схему», — сказал Барлоу. «Если вы спросили бы нас пять лет назад, сколько искусства нам нужно будет обучать этой системе, мы бы сказали, что, может быть, в миллион раз больше».

Чтобы ускорить обучение, исследователи время от времени продолжали предоставлять машине отзывы о качестве своих творений.

Потребность в чрезвычайно больших наборах данных для получения надежных результатов является серьезным препятствием для использования систем ИИ в практических применениях. Поэтому исследователи пытаются разработать новые методы, которые позволят машинам быстрее учиться по-разному.

Барлоу сказал, что такая система, как за Винсента, могла бы, например, помочь научить самоходных автомобилей, как лучше справляться с поиском пешеходов.

«Если вы хотите, чтобы автомобиль надежно обнаруживал пешеходов, вам не достаточно только детектора лица, потому что у вас могут быть лица на рекламных щитах, сбоку от автобусов, и в равной степени некоторые пешеходы могут носить капюшон или идти в тени. Вы даже не увидели бы их лица, — сказал Барлоу. «Чтобы тренировать систему, которая бы точно решила, что что-то опасное происходит на дороге, что кто-то идет, — вам нужно нелепое количество примеров в разной погоде и освещении с разными людьми и высотами».

По словам Барлоу, собрать такой огромный объем данных почти невозможно. Такие системы, как те, которые находятся за Винсентом, могут использовать свои творческие способности для создания большего количества изображений из ограниченного набора данных. Система могла бы с небольшой помощью помочь научиться синтезировать реалистичные образы и впоследствии научить себя надежно оценивать всевозможные сценарии реальной жизни.

«Это виртуальный круг, где не только машинное обучение может сделать некоторые потрясающие вещи, но и само по себе помогает продвигать вперед процесс машинного обучения», — сказал Барлоу.

Добавить комментарий


Защитный код
Обновить