„Pix2pix“ neuroninis tinklas tikroviškai nuspalvina pieštuku eskizus ir nespalvotas nuotraukas. Kokių įdomių detalių jie turi?

Parsisiųsti visą žaidimą

Žaisti nemokamai su tiesiogine nuoroda, skirta Windows PC. yra kursas, leidžiantis jį turėti ir paversti nuotrauka šuliniu

Žanras (-ai): Simuliacija

Aprašymas: Kaip ir , naudoti pix2pix yra labai paprasta – likusiame lauke tiesiog sukuriate žmogų panašų veidą, tada spustelėkite „Apdoroti“, kad nustatytumėte, ką jis sukuria naudodamas kitų techninių burtų ir skaičiavimų stebuklą. Neprivalote būti menininku, kad galėtumėte smagiai naudotis pix2pix nuotraukų generatoriumi, nors kuo aprašomasis piešinys bus sukurtas, tuo didesnė tikimybė, kad jis taps kuo nors panašaus į tikrą asmenybę. Tikrasis malonumas kyla ieškant, kokių subjaurotų pabaisų sukurti, ir lavinant įvairius eskizus.

„Pix2pix“ yra kursas, leidžiantis jį turėti tiesiog paversti nuotraukų šuliniu ir ištraukti bet ką į konteinerį, magija. Šiuo metu jis yra, o svetainės tipas yra pats nuostabiausias ir baisiausias dalykas, kurį šiandien mačiau.

„Google“ atvirojo kodo mašininio mokymosi užduotis „Tensorflow“ greičiausiai visada naudojama naudingiems dalykams, kurie skatina kažko ar žmonijos priežastis. Tačiau, mano žiniomis, tai buvo geriau panaudota baisių automobilių vaizdų kūrimas iš paprastų linijų brėžinių. Kalbu apie edges2cats, kuris bet kokį linijos piešinį pavertė kate. Tai buvo visas dalykas! Visi tikėjosi, kad „Facebook“ paskelbs tikrai beprotiškų kačių nuotraukas, kad kiti galėtų juoktis.

Tas pats nutiko, išskyrus tai, kad šiandien tai nėra katės. O ne „Google“ užduotį, jos dirbtinio intelekto programą, kuriai ką tik buvo suteikta daugybė 1 jos inkarų nuotraukų, Lara Rense buvo sukurta Nyderlandų visuomeninio transliuotojo NPO. Kaip minėta, tinklo programinė įranga žinoma kaip Pix2Pix iš bendros Tumblr protezavimo žinios.

Matyt, rezultatai iš esmės atrodo kaip padarai, ypač kiaulė-kūdikis žvėris iš pirmojo „American Horror Story“ sezono. Be to, nykščiai aukštyn. Pagalvokite apie Google Deep, svajonių kailininką.

Tik patraukite papuoštą piešinį ant vienos dalies, paspauskite jungiklį ir gausite dizaino „nuotrauką“ apie skirtingą dizainą, susiūtą kaip mišinį, pagamintą iš tikrų baigtų piešinių paveikslėlių. Panašumas... neblogas.

Pilna šio tinklaraščio versija. svetainėje.

žaidimas be klaidų ir klaidų. Mes paskelbėme tiesiogines atsisiuntimo nuorodas, kad galėtume nemokamai atsisiųsti šį žaidimą asmeniniam kompiuteriui (100 % nemokamai). Čia pateikiami naujausi ir atnaujinti leidėjų žaidimai.

labai suspausta forma be virusų.

žaidimas iš čia. Įdiekite jį naudodami rekomenduojamus nustatymus. Mėgaukitės žaisdami šį nuostabų žaidimą nemokamai savo kompiuteryje. Pasidalinkite su draugais. Žemiau pateikiamos kai kurios žaidimo funkcijos ir ekrano kopijos.

Pix2pix žaidimo eiga

„Pix2pix“ sistemos reikalavimai
Šie žaidimo sistemos reikalavimai aprašyti toliau pateiktame turinyje. Turint šias specifikacijas, žaidimas veiks sklandžiai, o grafika būtų visiškai aiški. Labiausiai naudingas įrenginys (CPU), geresnis už šias specifikacijas.
Minimalūs sistemos reikalavimai:
OS: Vista / Win7 / Windows 8
Procesorius: 2 GHz dviejų branduolių

1. Atmintis: 2 GB RAM
2. Grafika: NVIDIA GeForce 8600 arba naujesnė, ATI Radeon HD 2600 arba naujesnė
3. „DirectX“: 9.0c
4. Ištrauka naudojant naujausią WinRAR versiją.
5. Įdiekite setup.exe.

Palaukite, kol baigsis.

Žaisti žaidimą. Mėgaukitės. Pastaba: palaikykite programinės įrangos kūrėjus. Jei jums patinka šis žaidimas, nusipirkite jį! Labai ačiū.

yra nuostabi programa, kuri įprastus piešinius gali paversti tikroviškais puikių meno meistrų paveikslais. Šis mažas „Android“ skirtas įrankis gali išmokyti gražiai piešti, net jei niekada nelaikėte savęs menininku ir net nežinote, kaip taisyklingai laikyti teptuką. Dabar užtenka ekrane pavaizduoti bet kokį raštą, palaukti kelias sekundes ir nustebti gautu šedevru.

Nors Pix2Pix sistema vis dar netobula, nes tai tik antroji aplikacijos versija, tačiau ir dabar programa gali jus labai nustebinti. Kūrimas pagrįstas jau šiek tiek pažįstama vaizdo redagavimo naudojant neuroninius tinklus technologija. Tikriausiai jau matėte, kokius stebuklus gali padaryti prizmė. Tačiau dabar prieš mus yra visiškai nepaprastas produktas, nepanašus į jokį kitą. Įsivaizduokite – piešiate kokią katę ar net savo stalo kaimyną, ir tikrai nesistengiate, bet Pix2px paverčia jūsų papuoštus papuoštus nuostabiais šedevrais. Galbūt, jei ši mobilioji programa būtų pasirodžiusi daug anksčiau, pačiam Picasso ji būtų patikusi! Bet tik mums pasisekė, nes tik mes, šiuolaikiniai žmonės, gavo unikali galimybė maksimaliai išnaudoti mobiliąsias technologijas. Atnaujinkite savo išmanųjį telefoną ar planšetinį kompiuterį dabar, pridėkite nuostabi galimybė paverskite piešinį paveikslu ir tikrai nustebinsite visus draugus naujais sugebėjimais!

Kaip naudoti „Pix2Pix“ sistemoje „Android“:

Nenusiminkite, jei pirmą kartą nepasieksite tobulo vaizdo. Iš pradžių programa buvo skirta tiesiog nudžiuginti jus. Galbūt kūrėjas dar neištobulino savo kūrybos ir turi ką dirbti, bet jums ir jūsų draugams niekada nebus nuobodu. Todėl siūlome nevertinti programos per daug rimtai parsisiųsti Pix2Pix pramogų dėlei. Truputį praktikuodami galite sukurti tikrai stebuklingą šedevrą, bet kartais tiesiog norisi smagiai praleisti laiką. Neatsisakykite sau malonumo, žaiskite, juokaukite ir gaukite tik teigiamų emocijų iš šios neįprastos programos!

Atsisakymas: įrašas buvo parašytas remiantis redaguotais pokalbių žurnalais iš closedcircles.com, taigi ir pateikimo stilius bei paaiškinantys klausimai

Visa tai yra „Berkeley AI Research“ dokumento „Image-to-Image Translation with Conditional Adversarial Networks“ įgyvendinimas.

Taigi, kaip visa tai veikia?

Popieriuje žmonės sprendžia paveikslo pavertimo kitu problemą, kad žmogui nereikėtų sugalvoti praradimo funkcijos.

Viena iš pagrindinių problemų, susijusių su neuroniniais tinklais kuriant vaizdus, ​​yra ta, kad jei kaip praradimą naudojate tik vidutinį pikselių skirtumą, pavyzdžiui, L1 arba L2 (dar žinoma kaip vidutinė kvadrato klaida), tada tinklas linkęs viską apskaičiuoti vidurkiu. galimi variantai. Jei galutiniame paveikslėlyje yra neapibrėžtumo, pavyzdžiui, kraštas gali būti kitoje padėtyje arba spalva gali būti tam tikrame diapazone, tada optimalus rezultatas L2 praradimo požiūriu yra vidutinis tarp visų galimų. atvejų, o ne kokių nors konkrečių.

Todėl nuotraukose pasirodo labai neryškios dėmės.

Įvairioms individualioms užduotims atlikti žmonės sugalvodavo kitas praradimo funkcijas, kad išreikštų tam tikrą struktūrą, kuri turėtų būti gautame paveikslėlyje (segmentavimui, pavyzdžiui, buvo bandoma pridėti sąlyginius atsitiktinius laukus ir pan., ir pan.), tačiau tai viskas padeda labai laipsniškai ir labai priklauso nuo užduoties.

Na, atsižvelgiant į naujas tendencijas, popierius prijungiamas prie GAN (generatyvinio priešpriešinio tinklo), kaip toks papildomas L1 praradimas. (apie GAN galite skaityti Habré ir)

Bendra schema jie turi tai:

Generatoriui kaip įvestis suteikiamas įvesties vaizdas – tai papildoma sąlyga, ką reikia sugeneruoti. Remdamasis tuo, generatorius turėtų generuoti išvesties vaizdą.

Diskriminatoriui pateikiamas ir įvesties vaizdas, ir tai, ką generatorius sugeneravo (arba, teigiamais pavyzdžiais, reali pora iš mokymo duomenų rinkinio), ir jis turi pasakyti, ar sugeneruotas vaizdas yra tikras, ar sugeneruotas. Taigi, jei generatorius sukuria vaizdą, nesusijusį su įvestimi, diskriminatorius turi tai nustatyti ir jį atmesti.

Generatorius yra iteracinio šios tinklų poros mokymo rezultatas.

Apskritai tai yra standartinis sąlyginių GAN metodas – GAN variantas, kai modelis turi generuoti vaizdus, ​​atitinkančius papildomą įvesties klasės vektorių.

Tik čia įvesties klasės vektorius yra paveikslėlis, o bendras nuostolis yra GAN nuostolis + L1.

„Įmetimo į GAN“ prasme, diskutuojant apie nuostolius, pavyzdžiui, pridėti generatorių ir išspręsti „minimax“ problemą?
Na taip.

Įjungta aukšto lygio Viskas!

Kokių įdomių detalių jie turi?

Skirtingai nuo klasikinio požiūrio į GAN, generatoriui iš viso neperduodamas joks triukšmo vektorius.
Visa įvairovė yra tik todėl, kad tinklas iškrenta, ir jie jo neišjungia po treniruotės.

• Tinklo architektūra - U-Net, gana nauja segmentavimo architektūra, turinti daug praleistų jungčių nuo kodavimo įrenginio iki dekoderio (čia yra trumpas aprašymas)

Štai paveikslėlis, rodantis, kad padeda ir GAN praradimas, ir U-net.


Čia, beje, aiškiai matoma pradinė problema naudojant tik L1 nuostolius – net ir galingas modelis generuoja neryškias dėmes, siekdamas sumažinti vidutinį nuokrypį.

• Jie apmoko modelį ant 70 x 70 pataisų ir pritaiko jį dideliems vaizdams per visą konvoliuciją. Juokinga, kad 70 x 70 duoda geresnių rezultatų vidutiniškai nei darant visą 256 x 256 vaizdą iš karto.

Kur katės!!!

Po to yra sistema, kurią galima apmokyti dėl savavališkų įėjimų ir išėjimų, net jei jie yra dėl visiškai skirtingų problemų.


Nuo segmentavimo iki fotografijos, nuo dienos iki nakties, nuo nespalvotos iki spalvotos ir kt.

Ir štai paskutinis pavyzdys – tai nuo šonkaulių iki paveikslėlio. Paveikslėlio briaunos generuojamos standartiniu algoritmu iš kompiuterinio matymo.

Tai reiškia, kad galite tiesiog nufotografuoti vaizdų rinkinį, paleisti krašto aptikimą ir šias poras
traukinys. Taip pat galima atlikti su katėmis:

Ir po to modelis gali sukurti kažką bet kokiems eskizams, kuriuos žmonės piešia.

(beje, atsiųsk, ką prisimeni)

Taigi, duonos formos kačių trūkumas žmonijoje buvo panaikintas!

Apskritai šis darbas yra dar vienas pavyzdys, kaip nuo praėjusių metų pradėjo kilti GAN. Pasirodo, tai yra labai galingas ir lankstus įrankis, išreiškiantis „noriu, kad jis nesiskirtų nuo tikrojo, nors nežinau, ką tai tiksliai reiškia“ kaip optimizavimo tikslą.
Tikimės, kad kas nors parašys išsamią apžvalgą apie viską, kas vyksta šioje srityje! Ten viskas labai šaunu.

Ačiū už dėmesį.

Pix2pix algoritmas išmoko atpažinti žmones eskizuose ir paversti juos „realistišku“ vaizdu. Pasirodo, tai nėra labai tikroviška, bet labai baisu. Tai ne pirmas projekto algoritmas: prieš kelis mėnesius internete jau buvo piešiamos bjaurios katės naudojant pix2pix. Negalėjome atsispirti ir šį kartą.

"Naujas pix2pix veidams (nuotraukos ne mano, aš jas importavau naudodamas trečiosios šalies programą)."

Tiesa, jei eskizas nėra atliktas puikiai, tada algoritmas sukuria vaizdus, ​​​​kurių vargu ar galima pavadinti tikroviškais - greičiau košmariškais. Tuo įsitikino ir „Twitter“ vartotojai, neatsispyrę naujoms linksmybėms. Pasirodė nelabai gerai.

Nusprendžiau panaudoti tą pix2pix dalyką ir nupiešti juose keletą animacinių filmų personažų, o rezultatai yra baisesni, nei maniau, kad gausiu pic.twitter.com/i3PatUtuEu

„Nusprendžiau naudoti šį pix2pix ir nupiešiau jame keletą animacinių filmų personažų. Rezultatai yra baisesni, nei tikėjausi pamatyti.

„Giliai nuliūdino“.

„Ketinau sukurti „baisią žuvies pabaisą“, bet „pix2pix“ neuroninis tinklas padarė kažką geresnio už mane, suteikdamas jam šukuoseną kaip vaikinų grupės nariui.

"Šiek tiek baisu..."

"Tai baisu!"

Tačiau net ir liūdni rezultatai negali atgrasyti „Twitter“ vartotojų nuo kūrybiškumo.

"Smagiau!"

"Mylėk šį įrankį!"

"Vaikinas #3 atrodo gerai."

„Įspūdingas veido generatorius iš eskizų“.

„Pix2pix“ projektas išgarsėjo prieš kelis mėnesius dėl savo algoritmo, kuris, remdamasis neuroniniais tinklais, rankomis pieštas kates pavertė „realiomis“. Na, o tik katinas, kurį nupiešė patys kūrėjai, atrodė tikroviškai. Tačiau tai, ką paprasti vartotojai darė programoje, labiau atrodė kaip kailiniai monstrai nei katės įprasta to žodžio prasme.

„Pažiūrėk mano katę. Menininku gali būti kiekvienas“.

Neuroninių tinklų apimtis įspūdinga, todėl jie naudojami rimtesniems dalykams, nei piešti siaubo istorijas. Pavyzdžiui, pornografinės svetainės neseniai pristatė paslaugą, kuri . Tačiau, sprendžiant iš rezultato, šio algoritmo dar reikia mokytis ir mokytis. Priešingu atveju, kodėl jis lygintų Eleną Mizuliną su Bruklino Čeisu?