Gdy w sieci pojawiło się narzędzie do „odpikselowywania” twarzy, wykorzystujące zaawansowane sieci neuronowe do przekształcania silnie pikselozowanych zdjęć w wysokiej jakości portrety — czyli rekonstruowania osoby na podstawie złożonych algorytmów — internauci od razu zaczęli eksperymentować. Wielu testowało je jednak na obrazach, do których AI nie było pierwotnie przystosowane, co doprowadziło do powstania naprawdę dziwnych i momentami niepokojących wyników.
Mimo że użytkownicy wiedzieli, iż narzędzie nie działa idealnie za każdym razem, ciekawość zwyciężała — każdy chciał zobaczyć, jakie absurdalne pomysły sztuczna inteligencja zdecyduje się „zmaterializować”. Efekty tych eksperymentów były bardzo zróżnicowane.
Autorzy narzędzia oparli je na badaniu PULSE (Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models). W praktyce algorytm przyjmuje pikselowany obraz, porównuje go z wieloma wysokiej jakości portretami, które tymczasowo pikseluje do podobnego poziomu, i wybiera najlepiej pasujący wzorzec. Następnie dodaje filtry i modyfikacje, by uzyskać jeszcze większe podobieństwo — i w ten sposób powstaje „odpikselowana” wersja zdjęcia.
Podstawowy model opracowali Alex Damian i współpracownicy, natomiast Denis Malimonov — popularyzator uczenia maszynowego w sztuce — stworzył prosty, łatwy w użyciu interfejs, by udostępnić rozwiązanie szerszej publiczności. Malimonov, kiedy dzielił się narzędziem w mediach społecznościowych, szybko przyciągnął uwagę internautów chętnych do testowania i pokazywania swoich rezultatów.
Malimonov wcześniej pracował jako projektant, a teraz eksperymentuje z programowaniem. Skoro jego główną grupą docelową są osoby bez doświadczenia w kodowaniu, zależało mu, by proces testowania technologii sieci neuronowych był maksymalnie prosty i dostępny.
Jednym z powodów jest ograniczenie informacji — komputer ma do dyspozycji czasem zaledwie sto pikseli, więc wiele szczegółów po prostu ginie. Drugim, kluczowym czynnikiem jest zbiór danych, na którym model się nauczył. Narzędzie korzysta z uprzednio wytrenowanego modelu CelebA-HQ, stworzonego głównie z fotografii znanych osób. W tej bazie przeważają twarze białych osób (ponad 7 000 zdjęć), podczas gdy reprezentacja Azjatów, osób czarnoskórych i indyjskich jest znacznie mniejsza — rzędu lub poniżej 1 000 zdjęć. W efekcie model lepiej „odtwarza” cechy, które najczęściej występowały w danych treningowych, co tłumaczy część nietypowych wyników.
Malimonov podkreśla, że nie istnieje powszechnie dostępny model o równomiernym rozkładzie ras w zbiorze treningowym, dlatego takie uprzedzenia i dysproporcje w wynikach są częste.
Internauci zaczęli wrzucać do narzędzia niemal wszystko, co choć w pewnym stopniu przypomina twarz: postacie z gier (Mario, Doom Guy), kreatury z Minecrafta (Creeper), emoji, memy — dosłownie wszystko, co da się rozpoznać jako obiekt z oczami i ustami. Czasem algorytm dawał całkiem sensowne wyniki, innym razem efekty były co najmniej wątpliwe. Przy tak ograniczonym i nierównomiernym zbiorze treningowym pojawienie się dziwactw było praktycznie nieuniknione.
Hollywood zawsze pełne było znanych rodzin; wiele gwiazd dorastało mając słynnych rodziców w świetle reflektorów.…
Przepłynąć obok choćby jednej czerwonej flagi i jest spora szansa, że utoniesz, zanim poczujesz prąd…
Kiedy ludzie mówią, że wyglądasz jak żywe odbicie swojej mamy, możesz potraktować to jako komplement,…
Wiele dorosłych nie zdaje sobie sprawy, jak bardzo drobne, codzienne interakcje mogą wpływać na rozwój…
Niewiele form sztuki jest tak osobistych jak tatuaże. Pozostają na skórze i starzeją się razem…
Intuicja potrafi być zwodnicza. Pojawia się w naszej świadomości bez widocznego namysłu i często nie…
