Bu, kuaförlerin uğruna can attığı teknolojik yenilik olabilir mi? Eminim çoğumuzun bir veya iki kötü saç kesimi olmuştur. Ancak umarız bu yapay zeka sayesinde bir daha asla yeni bir saç kesiminin nasıl görüneceğini tahmin etmek zorunda kalmazsınız.
Bu yapay zeka, değişikliğe başlamadan önce nasıl görüneceğini görmek için yeni bir saç stilini ve/veya rengi bir portreye aktarabiliyor. Aşağıda bunun hakkında daha fazla bilgi edinin!
Videoyu izle
Referanslar:
►Yazının tamamı: https://www.louisbouchard.ai/barbershop/
►Peihao Zhu ve diğerleri, (2021), Berber Dükkanı, https://arxiv.org/pdf/2106.01505.pdf
►Proje linki: https://zpdesu.github.io/Barbershop/
►Kod: https://github.com/ZPdesu/Barbershop
Video Transkripti
00:00
Bu makale başlı başına yeni bir teknolojiyle ilgili değil.
00:03
Bunun yerine, GAN'ların yeni ve heyecan verici bir uygulamasıyla ilgilidir.
00:06
Aslında başlığı gördünüz ve bu bir tıklama tuzağı değildi.
00:10
Bu yapay zeka, işleme başlamadan önce nasıl görüneceğini görmek için saçınızı aktarabilir.
00:15
değiştirin.
00:16
İsteseniz bile saç şeklinizi değiştirmenin zor olabileceğini hepimiz biliyoruz.
00:19
En azından kendim için yıllardır aynı saç kesimine alışığım, kuaförüme söylüyorum
00:24
Değişiklik istesem bile her 3 veya 4 ayda bir “geçen seferkiyle aynı”.
00:29
Tuhaf ve sıradışı görüneceğinden korktuğum için taahhütte bulunamıyorum.
00:33
Elbette saç kesimimize önem veren tek kişi olduğumuz için bunların hepsi kafamızda ama
00:38
bu araç bazılarımız için gerçek bir oyun değiştirici olabilir ve karar vermemize yardımcı olabilir.
00:43
bize nasıl görüneceğine dair büyük içgörülere sahip olarak böyle bir değişikliğe taahhütte bulunmamak.
00:48
Ancak tahminde bulunmadan geleceği görebileceğiniz bu anlar nadirdir.
00:53
Tamamen doğru olmasa bile, bu kadar mükemmel bir yaklaşıma sahip olmak yine de oldukça güzel
00:57
yeni bir saç kesiminin nasıl görünebileceğine dair fikir vererek stresin bir kısmını hafifletiyor
01:02
heyecan verici kısmı korurken yeni bir şey denemek.
01:06
Elbette saç kesimleri daha kullanışlı uygulamalara göre oldukça yüzeyseldir.
01:10
Yine de yapay zekayı kullanarak "geleceği görme" yönünde atılmış bir adım ki bu oldukça hoş.
01:17
Aslına bakılırsa, bu yeni teknik, bir nevi geleceği tahmin etmemizi sağlıyor.
01:22
saç kesimimizin geleceği.
01:24
Ancak nasıl çalıştığına geçmeden önce bu konuda ne düşündüğünüzü merak ediyorum.
01:28
Başka herhangi bir alanda: Yapay zekayı kullanarak "içini görmek" için başka hangi uygulamaları görmek istersiniz?
01:34
gelecek"?
01:38
Çoklu görsel örneklerinden sadece saçınızın stilini değil aynı zamanda rengini de değiştirebilirsiniz.
01:44
Algoritmaya temel olarak üç şey verebilirsiniz:
01:47
kendi resmin senin istediğin saç stiline sahip birinin resmi
01:51
saçın başka bir resmini (veya aynısını) almak istiyorum
01:55
denemek isteyeceğiniz renk ve her şeyi gerçekçi bir şekilde kendinizde birleştiriyor.
01:59
Sonuçlar ciddi anlamda etkileyici.
02:02
Eğer benim kararıma güvenmiyorsan, bunu tamamen sanatsal bakış açıma dayanarak anlarım.
02:06
beceri düzeyinde 396 katılımcı üzerinde bir kullanıcı çalışması da gerçekleştirdiler.
02:12
Çözümleri yüzde 95 oranında tercih edildi!
02:17
Elbette bu çalışma hakkında daha fazla ayrıntıyı aşağıdaki referanslarda bulabilirsiniz.
02:21
inanılması çok zor görünüyor.
02:22
Tahmin edebileceğiniz gibi burada yüzlerle oynuyoruz, yani çok benzer bir süreç kullanıyor
02:27
ele aldığım geçmiş makalelerde olduğu gibi, yüzü karikatürlere veya diğer stillere dönüştürmek
02:33
hepsi GAN kullanıyor.
02:34
Son derece benzer olduğu için nasıl yapıldığını anlattığım diğer videolarımı izlemenize izin vereceğim
02:39
GAN'lar derinlemesine çalışır ve burada bu yöntemdeki yeniliklere ve neden işe yaradığına odaklanacağım.
02:45
çok iyi.
02:46
Bir GAN mimarisi, bir görüntünün belirli özelliklerini veya stillerini
02:52
başka.
02:53
Sorun şu ki, ışık farklılıkları ve kapanmalar nedeniyle çoğu zaman gerçekçi görünmüyorlar.
02:58
her iki resimde de farklı olan kafa konumu olabilir veya hatta sadece kafanın konumu farklı olabilir.
03:04
Tüm bu küçük detaylar bu sorunu oldukça zorlaştırmakta ve görüntüde artefaktların oluşmasına neden olmaktadır.
03:09
oluşturulan görüntü.
03:10
Birinin saçını alırsanız, bu sorunu daha iyi görselleştirmek için işte basit bir örnek
03:11
Karanlık bir odada çekilmiş bir fotoğraftan alıp gün ışığında dışarıda kendinize koymaya çalışın,
03:12
kafanıza mükemmel bir şekilde yerleştirilse bile yine de tuhaf görünecektir.
03:13
Tipik olarak, GAN'ları kullanan bu diğer teknikler, resimlerin bilgilerini kodlamaya çalışır ve
03:15
Bu kodlamadaki saç özellikleriyle ilişkili bölgeyi açıkça tanımlayın
03:21
onları değiştirmek için.
03:22
İki fotoğraf benzer koşullarda çekildiğinde iyi çalışıyor ancak gerçek görünmüyor
03:27
çoğu zaman az önce bahsettiğim nedenlerden dolayı.
03:30
Daha sonra yeniden aydınlatmayı, delikleri ve diğer tuhaf yapıları düzeltmek için başka bir ağ kullanmak zorunda kaldılar.
03:36
birleşmesinden kaynaklanmaktadır.
03:38
Yani buradaki amaç, belirli bir resmin saç stilini ve rengini sizin yüzünüze aktarmaktı.
03:43
Resminizin aydınlatmasını ve özelliğini takip etmek için sonuçları değiştirirken kendi resminizi seçin
03:49
adımları ve hata kaynaklarını azaltarak bunu aynı anda inandırıcı ve gerçekçi hale getirmek.
03:55
Bu son paragraf net değilse, sonundaki videoyu izlemenizi şiddetle tavsiye ederim.
03:56
Anlamaya yardımcı olacak daha fazla görsel örnek olduğundan bu makalede.
03:57
Bunu başarmak için Peihao Zhu ve ark. GAN'lara eksik ama önemli bir hizalama adımı eklendi.
04:01
Aslında, görüntüleri basitçe kodlayıp birleştirmek yerine, kodlamayı biraz değiştirir.
04:07
iki görüntüdeki gizli kodu daha fazla hale getirmek için farklı bir segmentasyon maskesinin izlenmesi
04:12
benzer.
04:13
Bahsettiğim gibi saçın hem yapısını hem de stilini veya görünümünü düzenleyebilirler.
04:18
Buradaki yapı elbette saçın geometrisidir, bize saçın kıvırcık mı, dalgalı mı olduğunu söyler.
04:24
veya düz.
04:25
Diğer videolarımı gördüyseniz, GAN'ların bilgileri kullanarak kodladığını zaten biliyorsunuzdur.
04:30
kıvrımlar.
04:31
Bu, her katmandaki bilgiyi küçültmek ve daha küçük hale getirmek için çekirdekleri kullandığı anlamına gelir
04:37
ve daha küçük olduğundan mekansal ayrıntıları yinelemeli olarak ortadan kaldırırken, bir yandan da
04:43
Ortaya çıkan çıktıya ilişkin genel bilgiler.
04:46
Bu yapısal bilgi her zaman olduğu gibi GAN'ın ilk katmanlarından elde edilir.
04:52
kodlama çok genel hale gelmeden ve uzaysal temsili temsil edemeyecek kadar kodlanmadan önce
04:58
özellikleri.
04:59
Görünüm, saç rengi, dokusu ve aydınlatma dahil olmak üzere derinlemesine kodlanmış bilgileri ifade eder.
05:05
Bilginin farklı görüntülerden nereden alındığını biliyorsunuz, ancak şimdi bunlar nasıl yapılıyor?
05:10
Bu bilgileri birleştirip önceki yaklaşımlardan daha gerçekçi görünmesini mi istiyorsunuz?
05:15
Bu, görüntülerdeki segmentasyon haritaları kullanılarak yapılır.
05:18
Daha doğrusu, bu aranan yeni imajı, bizim uyumlu versiyonumuz temelinde oluşturmak.
05:24
hedef ve referans görüntüsü.
05:26
Referans görseli kendi görselimiz, hedef görsel ise yapmak istediğimiz saç modelidir.
05:31
uygulamak.
05:32
Bu segmentasyon haritaları bize görüntünün neleri içerdiğini ve nerede olduğunu, saç, cilt, gözler,
05:38
burun vb.
05:40
Farklı görüntülerden elde edilen bu bilgiyi kullanarak kafaları aşağıdaki şekilde hizalayabilirler:
05:44
kullanarak kodlama için görüntüleri ağa göndermeden önce hedef görüntü yapısını
05:49
değiştirilmiş StyleGAN2 tabanlı mimari.
05:52
Zaten defalarca ele aldığım bir konu.
05:55
Bu hizalama, kodlanmış bilgiyi çok daha kolay karşılaştırılabilir ve yeniden yapılandırılabilir hale getirir.
06:00
Daha sonra görünüm ve aydınlatma sorununa uygun bir karışım bulurlar.
06:05
aynı görüntü için hedef ve referans görüntülerden gelen bu görünüm kodlamalarının oranı
06:11
mümkün olduğunca gerçekçi görünmesini sağlayan bölümlere ayrılmış bölgeler.
06:15
Sol sütundaki hizalama olmadan sonuçların nasıl göründüğü ve bunların sonuçları şöyledir:
06:19
sağdan yaklaş.
06:21
Tabii bu süreç biraz daha karmaşıktır ve tüm detayları yazımızda bulabilirsiniz.
06:26
referanslarda bağlantılıdır.
06:27
Çoğu GAN uygulamasında olduğu gibi mimarilerinin de eğitilmesi gerektiğini unutmayın.
06:32
Burada, FFHQ veri seti üzerinde eğitilmiş StyleGAN2 tabanlı bir ağ kullandılar.
06:38
Daha sonra, az önce tartıştığımız gibi birçok değişiklik yaptıkları için ikinci bir eğitim verdiler.
06:42
Saç modeli aktarımı olarak 2 çift görüntüyü kullanarak değiştirilmiş StleGAN198 ağını zamanlayın
06:50
modelin kararını hem görünüm karışım oranı hem de optimize etmek için örnekler
06:55
yapısal kodlamalar
06:57
Ayrıca, tahmin edebileceğiniz gibi, hala bu gibi bazı kusurlar mevcut.
07:02
yaklaşım, segmentasyon maskelerini hizalamada veya yüzü yeniden yapılandırmada başarısız olur. Yine de sonuçlar
07:08
son derece etkileyici ve sınırlamaları açıkça paylaşmaları harika.
07:13
Makalede belirttikleri gibi, yöntemlerinin kaynak kodu daha sonra kamuya açıklanacak.
07:18
makalenin nihai bir yayını.
07:21
Resmi GitHub deposunun bağlantısı aşağıdaki referanslarda yer almaktadır;
07:25
yakında serbest bırakılacak.
07:27
İzlediğiniziçin teşekkürler!
Etiketler
Özel okuma deneyiminizin kilidini açmak için ücretsiz hesabınızı oluşturun.
Coinsmart. Europa İçindeki En İyi Bitcoin-Börse
Kaynak: https://hackernoon.com/this-ai-prevents-bad-hair-days-uu6c37ei?source=rss
