شعار زيفيرنت

يمنع هذا الذكاء الاصطناعي أيام الشعر السيء

التاريخ:

صورة الملف الشخصي لـ Louis Bouchard Hacker Noon

@Whatsaiلويس بوشار

أشرح مصطلحات وأخبار الذكاء الاصطناعي لغير الخبراء.

هل يمكن أن يكون هذا هو الابتكار التكنولوجي الذي كان مصففو الشعر يموتون من أجله؟ أنا متأكد من أن الغالبية منا قد تعرضوا لقص شعر سيئ أو اثنين. لكن نأمل ، مع هذا الذكاء الاصطناعي ، لن تضطر أبدًا إلى تخمين كيف ستبدو قصة الشعر الجديدة مرة أخرى.

يمكن لهذا الذكاء الاصطناعي نقل تسريحة شعر و / أو لون جديد إلى صورة شخصية لمعرفة كيف ستبدو قبل الالتزام بالتغيير. تعرف على المزيد حول هذا الموضوع أدناه!

شاهد الفيديو

المراجع:

►المقال كاملا: https://www.louisbouchard.ai/barbershop/

►Peihao Zhu وآخرون (2021) ، صالون الحلاقة ، https://arxiv.org/pdf/2106.01505.pdf

رابط المشروع: https://zpdesu.github.io/Barbershop/

► الرمز: https://github.com/ZPdesu/Barbershop

نسخة فيديو

00:00

هذه المقالة ليست عن تقنية جديدة في حد ذاتها.

00:03

بدلاً من ذلك ، يتعلق الأمر بتطبيق جديد ومثير لشبكات GAN.

00:06

في الواقع ، لقد رأيت العنوان ، ولم يكن طعم النقرات.

00:10

يمكن لهذا الذكاء الاصطناعي نقل شعرك لمعرفة كيف سيبدو قبل الالتزام بـ

00:15

تغيير.

00:16

نعلم جميعًا أنه قد يكون من الصعب تغيير تصفيفة شعرك حتى لو كنت ترغب في ذلك.

00:19

حسنًا ، على الأقل بالنسبة لي ، لقد اعتدت على نفس قصة الشعر لسنوات ، أخبر مصفف شعري

00:24

"نفس المرة الأخيرة" كل 3 أو 4 أشهر حتى لو كنت أرغب في التغيير.

00:29

أنا فقط لا أستطيع الالتزام ، أخشى أن يبدو الأمر غريبًا وغير عادي.

00:33

بالطبع ، كل هذا في أذهاننا لأننا الوحيدين الذين يهتمون بقصة شعرنا ، لكن

00:38

يمكن أن تكون هذه الأداة مغيرًا حقيقيًا لقواعد اللعبة بالنسبة للبعض منا ، حيث تساعدنا في تحديد ما إذا كان

00:43

عدم الالتزام بمثل هذا التغيير مع وجود رؤى كبيرة حول كيف سيبدو علينا.

00:48

ومع ذلك ، فإن هذه اللحظات التي يمكنك رؤيتها في المستقبل قبل التخمين نادرة.

00:53

حتى لو لم تكن دقيقة تمامًا ، فلا يزال من الرائع الحصول على مثل هذا التقريب الممتاز

00:57

كيف يمكن أن يبدو شيء مثل قصة شعر جديدة ، مما يخفف عنا بعض التوتر

01:02

بتجربة شيء جديد مع الحفاظ على الجزء المثير.

01:06

بالطبع ، تعتبر قصات الشعر سطحية للغاية مقارنة بالتطبيقات الأكثر فائدة.

01:10

ومع ذلك ، فهي خطوة للأمام نحو "الرؤية في المستقبل" باستخدام الذكاء الاصطناعي ، وهو أمر رائع جدًا.

01:17

في الواقع ، تمكننا هذه التقنية الجديدة نوعًا من التنبؤ بالمستقبل ، حتى لو كان عادلاً

01:22

مستقبل قصة شعرنا.

01:24

ولكن قبل الغوص في كيفية عملها ، لدي فضول لمعرفة رأيك في هذا الأمر.

01:28

في أي مجال آخر: ما هو التطبيق (التطبيقات) الأخرى التي ترغب في رؤيتها باستخدام الذكاء الاصطناعي "لمشاهدة

01:34

المستقبل"؟

01:38

يمكن أن يغير ليس فقط أسلوب شعرك ولكن أيضًا اللون من أمثلة صور متعددة.

01:44

يمكنك في الأساس إعطاء ثلاثة أشياء للخوارزمية:

01:47

صورة لنفسك صورة لشخص لديه تسريحة شعرك

01:51

ترغب في الحصول على صورة أخرى (أو نفس الصورة) من الشعر

01:55

اللون الذي ترغب في تجربته وهو يدمج كل شيء في نفسك بشكل واقعي.

01:59

كانت النتائج مثيرة للإعجاب بشكل خطير.

02:02

إذا كنت لا تثق في حكمي ، فإنني سأفهم تمامًا بناءً على تقديري الفني

02:06

على مستوى المهارة ، أجروا أيضًا دراسة مستخدم على 396 مشاركًا.

02:12

كان الحل المفضل لديهم 95 بالمائة من الوقت!

02:17

بالطبع ، يمكنك العثور على مزيد من التفاصيل حول هذه الدراسة في المراجع أدناه إذا كان هذا

02:21

يبدو من الصعب تصديقه.

02:22

كما قد تظن ، نحن نلعب بالوجوه هنا ، لذا فهي تستخدم عملية مشابهة جدًا

02:27

مثل الأوراق السابقة التي غطتها ، تغيير الوجه إلى رسوم متحركة أو أنماط أخرى

02:33

كل ذلك باستخدام شبكات GAN.

02:34

نظرًا لأنه متشابه للغاية ، سأسمح لك بمشاهدة مقاطع الفيديو الأخرى الخاصة بي حيث شرحت كيف

02:39

تعمل شبكات GAN بشكل متعمق ، وسأركز على ما هو جديد بهذه الطريقة هنا ولماذا تعمل

02:45

حسن جدا.

02:46

يمكن أن تتعلم بنية GAN تحويل ميزات أو أنماط معينة من الصورة إلى

02:52

آخر.

02:53

تكمن المشكلة في أنها غالبًا ما تبدو غير واقعية بسبب اختلافات الإضاءة والانسداد

02:58

قد يكون له ، أو حتى ببساطة موضع الرأس المختلف في كلتا الصورتين.

03:04

كل هذه التفاصيل الصغيرة تجعل هذه المشكلة صعبة للغاية ، مما يتسبب في حدوث قطع أثرية في

03:09

تم إنشاء الصورة.

03:10

إليك مثال بسيط لتصور هذه المشكلة بشكل أفضل ، إذا كنت تأخذ شعر شخص ما

03:11

من صورة تم التقاطها في غرفة مظلمة وحاول وضعها في الخارج في وضح النهار ،

03:12

حتى لو تم نقله بشكل مثالي على رأسك ، فسيظل يبدو غريبًا.

03:13

عادةً ما تحاول هذه التقنيات الأخرى التي تستخدم شبكات GAN ترميز معلومات الصور و

03:15

حدد بوضوح المنطقة المرتبطة بسمات الشعر في هذا الترميز

03:21

لتبديلها.

03:22

تعمل بشكل جيد عندما يتم التقاط الصورتين في ظروف مماثلة ، لكنها لن تبدو حقيقية

03:27

معظم الوقت للأسباب التي ذكرتها للتو.

03:30

بعد ذلك ، كان عليهم استخدام شبكة أخرى لإصلاح الثقوب ، وغيرها من القطع الأثرية الغريبة

03:36

بسبب الدمج.

03:38

لذلك كان الهدف هنا هو نقل تسريحة الشعر ولون صورة معينة إلى صورتك

03:43

صورتك الخاصة أثناء تغيير النتائج لتتبع الإضاءة وخصائص صورتك

03:49

لجعلها مقنعة وواقعية في آن واحد ، وتقليل خطوات ومصادر الأخطاء.

03:55

إذا كانت هذه الفقرة الأخيرة غير واضحة ، فإنني أوصي بشدة بمشاهدة الفيديو في نهاية

03:56

هذه المقالة حيث يوجد المزيد من الأمثلة المرئية للمساعدة في فهمها.

03:57

لتحقيق ذلك ، Peihao Zhu et al. أضاف خطوة محاذاة مفقودة ولكنها أساسية إلى شبكات GAN.

04:01

في الواقع ، بدلاً من مجرد تشفير الصور ودمجها ، فإنه يغير الترميز قليلاً

04:07

باتباع قناع تجزئة مختلف لجعل الكود الكامن من الصورتين أكثر

04:12

ما شابه ذلك.

04:13

كما ذكرت ، يمكنهم تعديل بنية الشعر وأسلوبه أو مظهره.

04:18

هنا ، التركيب هو ، بالطبع ، هندسة الشعر ، تخبرنا ما إذا كان مجعدًا ، ومائجًا ،

04:24

أو مباشرة.

04:25

إذا كنت قد شاهدت مقاطع الفيديو الأخرى الخاصة بي ، فأنت تعلم بالفعل أن شبكات GAN تقوم بترميز المعلومات باستخدام

04:30

التلافيف.

04:31

هذا يعني أنه يستخدم النواة لتقليل حجم المعلومات في كل طبقة وجعلها أصغر

04:37

وأصغر ، وبالتالي إزالة التفاصيل المكانية بشكل متكرر مع إعطاء المزيد والمزيد من القيمة لـ

04:43

معلومات عامة للمخرجات الناتجة.

04:46

يتم الحصول على هذه المعلومات الهيكلية ، كما هو الحال دائمًا ، من الطبقات الأولى لشبكة GAN ،

04:52

لذلك قبل أن يصبح الترميز عامًا جدًا ومشفّرًا جدًا بحيث لا يمثل مكانيًا

04:58

الميزات.

04:59

المظهر يشير إلى المعلومات المشفرة بعمق ، بما في ذلك لون الشعر ، والملمس ، والإضاءة.

05:05

أنت تعرف مكان أخذ المعلومات من الصور المختلفة ، ولكن الآن ، كيف يتم ذلك

05:10

دمج هذه المعلومات وجعلها تبدو أكثر واقعية من الأساليب السابقة؟

05:15

يتم ذلك باستخدام خرائط التجزئة من الصور.

05:18

وبشكل أكثر دقة ، إنشاء هذه الصورة الجديدة المطلوبة بناءً على نسخة متوافقة من

05:24

الهدف والصورة المرجعية.

05:26

الصورة المرجعية هي صورتنا الخاصة ، والصورة المستهدفة هي تصفيفة الشعر التي نريدها

05:31

تطبيق.

05:32

تخبرنا خرائط التجزئة هذه بما تحتويه الصورة وأين توجد الشعر والجلد والعينين ،

05:38

الأنف ، إلخ.

05:40

باستخدام هذه المعلومات من الصور المختلفة ، يمكنهم محاذاة الرؤوس التالية

05:44

بنية الصورة المستهدفة قبل إرسال الصور إلى الشبكة للتشفير باستخدام

05:49

بنية معدلة تستند إلى StyleGAN2.

05:52

واحدة قمت بتغطيتها بالفعل عدة مرات.

05:55

تجعل هذه المحاذاة المعلومات المشفرة أكثر سهولة في المقارنة وإعادة البناء.

06:00

ثم ، بالنسبة لمشكلة المظهر والإضاءة ، يجدون مزيجًا مناسبًا

06:05

نسبة هذه المظاهر من الترميزات من الهدف والصور المرجعية لنفسها

06:11

مناطق مجزأة مما يجعلها تبدو حقيقية قدر الإمكان.

06:15

إليك ما ستبدو عليه النتائج بدون المحاذاة في العمود الأيسر مع

06:19

نهج على اليمين.

06:21

بالطبع ، هذه العملية أكثر تعقيدًا بعض الشيء ، ويمكن العثور على جميع التفاصيل في الورقة

06:26

مرتبطة في المراجع.

06:27

لاحظ أنه تمامًا مثل معظم تطبيقات GANs ، تحتاج بنيتها إلى التدريب.

06:32

هنا ، استخدموا شبكة StyleGAN2-base المدربة على مجموعة بيانات FFHQ.

06:38

بعد ذلك ، نظرًا لأنهم أجروا العديد من التعديلات ، كما ناقشنا للتو ، قاموا بتدريب ثانية

06:42

وقت شبكة StleGAN2 المعدلة باستخدام 198 زوجًا من الصور لنقل تصفيفة الشعر

06:50

أمثلة لتحسين قرار النموذج لكل من نسبة خليط المظهر و

06:55

الترميزات الهيكلية.

06:57

أيضًا ، كما قد تتوقع ، لا تزال هناك بعض العيوب مثل هذه حيث توجد

07:02

فشل النهج في محاذاة أقنعة التجزئة أو إعادة بناء الوجه. ومع ذلك ، فإن النتائج

07:08

مثيرة للإعجاب للغاية ومن الرائع أن يشاركون القيود بشكل علني.

07:13

كما ذكروا في الورقة ، سيتم الإعلان عن الكود المصدري لطريقتهم بعد ذلك

07:18

منشور نهائي للورقة.

07:21

يوجد الرابط الخاص بـ GitHub repo الرسمي في المراجع أدناه ، على أمل أن يتم ذلك

07:25

سيصدر قريبا.

07:27

شكرا لمشاهدتك!

الاوسمة (تاج)

انضم إلى Hacker Noon

قم بإنشاء حسابك المجاني لفتح تجربة القراءة المخصصة الخاصة بك.

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://hackernoon.com/this-ai-prevents-bad-hair-days-uu6c37ei؟

بقعة_صورة

أحدث المعلومات الاستخباراتية

بقعة_صورة