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)
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؟