هوش مصنوعی تصویر واقعی افراد را میسازد
دیلی میل| اخیرا پژوهشگران موفق به توسعه هوش مصنوعی شدهاند که قادر به ایجاد تصاویری همانند چهرههای واقعی انسانها است.
پژوهشگران شرکت امریکایی «اِنویدیا» (NVIDIA) موفق به توسعه هوش مصنوعی شدهاند که میتواند تنها با داشتن چند تصویر از افراد، تصاویر چهرههای آنها را ایجاد کند.
اِنویدیا یک شرکت امریکایی و پیشگام در امر تکنولوژیهای کارتهای ویدئویی، گرافیکی، ایستگاههای کاری، رایانههای شخصی و... در سرتاسر جهان است.برای بسیاری از مردم تشخیص تفاوت بین چهره اصلی و چهره غیرواقعی افراد سخت است. پژوهشگران شرکت انویدیا مقالهای درباره این موضوع منتشر کرده و در آن توضیح دادند که چگونه در مطالعه اخیر خود از شبکههای ( Adversarial Generators (GANs به منظور ایجاد تصاویری همانند چهرههای واقعی انسانها استفاده کردهاند.
شبکههای ترافعی تولیدی (GANs) یک بخش از الگوریتمهای هوش مصنوعی هستند که در یادگیری بدون نظارت مورد استفاده قرار میگیرند و توسط یک سیستم دارای دو شبکه عصبی اجرا میشود. یادگیری بینظارت یا یادگیری بدون نظارت یکی از انواع یادگیری در یادگیری ماشینی است. اگر یادگیری روی دادههای بدون برچسب و برای یافتن الگوهای پنهان در این دادهها انجام شود، یادگیری، بدون نظارت خواهد بود. تصاویر چهرههای غیرواقعی را میتوان به راحتی با استفاده از یک روش شناخته شده به نام «انتقال سبک» (style transfer) ایجاد کرد که طی این روش، خصوصیات تصاویر افراد با یکدیگر ترکیب میشوند.در این تولیدگر تصویر افراد را به عنوان مجموعهای از سه سبک که به «سبکهای درشت» (coarse styles) (ژست، مو، شکل صورت)، «سبکهای متوسط» (middle styles) (ویژگیهای صورت و چشم) و «سبکهای خوب» (fine styles) (طرح رنگی) شناخته میشود، تصور میکند.هوش مصنوعی که این شرکت توسعه داده قادر به تشخیص صورت حیواناتی مانند گربه و اشیاء مانند اتاق خواب نیز است.
پژوهشگران یک شبکه ایجاد کردند تا نشان دهند که چه میزان میتوانند خصوصیات چهره افراد را با استفاده از یک تصویر تغییر دهند. با وجود این کار این هوش مصنوعی کاملا بینقص نیست چرا که اگر با دقت به چهره افراد دقت کنید میتوانید تصویر چهره غیرواقعی آنها را تشخیص دهید.
همچنین میتوان از این روش برای بازسازی عکسهای قدیمی که آسیب دیدهاند، برای رفع پیکسلهای خراب یا ویرایشهای بد نیز استفاده نمود. متخصصان گرافیک شرکت انویدیا، دادهها را با استفاده از ایجاد شکافهای نامنظم در تصاویر به شبکه عصبی مذکور وارد کردند و پس از آن سیستم توانست مشخص کند که کدام قسمتهای تصاویر سوراخ و خالی است وآنها را پر کند.