我已经向您介绍了生成性对抗网络（GAN）的一些进展，上周我向您展示了如何从BricsCAD中的ML和MI中获得最大收益。本周我将向您介绍NVIDIA公司及其正在取得的一些进步。如果您是游戏玩家，您可能已经听说过他们的显卡。如果没有，您需要知道的是，他们是将AI设计提升到新水平的公司。只需看看标题中生成的AI图像！

AI设计有哪些新功能？

你已经看过一些由GAN产生的不稳定的教堂和三条腿的狗。由于采用了新方法，NVIDIA生产的图像具有更高的性能。该技术的工作原理是将源图像分离为“样式”，然后使用GAN将这些样式应用于现有图像，请阅读此处的论文。如果您熟悉谷歌深度梦想生成器，您将理解原理。

AI如何自动将样式“置于”图像的“顶部”的示例。

在此之前，GAN通常是一个“黑匣子”，但这种新技术允许团队精细地操纵图像。它以可控和不同的程度将这些样式应用于参考图像。风格分为3类; 科西嘉风格，中间风格和精美风格。在人类的照片中; 科西嘉风格：构成头发和脸型，中间风格：面部特征和眼睛，以及精美风格：配色方案。

将真实人物的图像组合在一起，创造出照片般逼真的AI设计人物。左：参考图像。顶部：风格来源。

这项技术并不是从头开始创建图像，因为它使用AI仔细而巧妙地组合现有图像。因此，您可以获得更加逼真的图像，这不仅限于人脸！在卧室的照片; 粗风格：相机角度，中间风格：家具，精美风格的颜色和材料细节。

卧室，比上一篇文章中显示的更为真实。有些床甚至看起来很舒服！

在汽车的照片; 粗风格：相机角度，中间风格：汽车造型，精美风格的颜色。

使用相同技术生成的汽车。请注意黄色汽车的引擎盖是如何制造出令人惊讶的逼真引擎的。

团队还可以控制“噪音”，添加每个样式图层以及影响原始图像的程度。可以通过操纵高级样式上的噪声来操纵图像的无关紧要的细节。这会影响细节; 人们的雀斑和发丝，汽车的前大灯和背景，以及卧室的材料细节。噪音通常使图像更加细致，看似更逼真，同时去除噪音完全可以产生更“绘画”的感觉。

高分辨率GAN

图像创建的进步不会停留在样式层。该团队还在开发改善GAN图像分辨率的方法。他们通过逐步增加图像大小来做到这一点。在每次增量增加时，它们应用与其他GAN生成的图像相同的“检查”技术。这种技术产生了1024 x 1024个图像，尽管仍然远非完美，但它具有更高的细节水平，更有趣的是，精度比以前看到的要高。

高分辨率GAN表现出卓越的品质，真实感和分辨率，尽管其中一些汽车看起来可能发生过令人讨厌的事故。

这些卧室设计中的一些看起来几乎适合居住，其中一些建筑看起来比我在上一篇文章中写的要坚固得多！

外卖？

这意味着未来，有可能拥有完全由计算机生成的名人，支持产品和电影动作场景，所有这些都不需要头发和化妆，身体双打，午餐休息，7个身材的工资或“女主角时刻” “！

但不要担心，3D GAN的发展还有很长的路要走！

为什么不显示AI，这取决于你的设计技巧？

易于尝试，易于购买，易于拥有。这是BricsCAD。在www.bricsys.com上免费试用我们的所有产品30天。自由选择，以及在所有地方使用所有语言的永久（永久）产品许可证。您会喜欢我们为您提供的BricsCAD产品系列。

来源：

https://blog.bricsys.com/artificial-intelligence-design/

扫一扫

机器学习代码：https://arxiv.org/abs/1812.04948A Style-Based Generator Architecture for Generative Adversarial NetworksTero Karras, Samuli Laine, Timo Aila
(Submitted on 12 Dec 2018 (v1), last revised 6 Feb 2019 (this version, v2))

We propose an alternative generator architecture for generative adversarial networks, borrowing from style transfer literature. The new architecture leads to an automatically learned, unsupervised separation of high-level attributes (e.g., pose and identity when trained on human faces) and stochastic variation in the generated images (e.g., freckles, hair), and it enables intuitive, scale-specific control of the synthesis. The new generator improves the state-of-the-art in terms of traditional distribution quality metrics, leads to demonstrably better interpolation properties, and also better disentangles the latent factors of variation. To quantify interpolation quality and disentanglement, we propose two new, automated methods that are applicable to any generator architecture. Finally, we introduce a new, highly varied and high-quality dataset of human faces.

Comments:	Code and data have been released
Subjects:	Neural and Evolutionary Computing (cs.NE); Machine Learning (cs.LG); Machine Learning (stat.ML)
Cite as:	arXiv:1812.04948 [cs.NE]
	(or arXiv:1812.04948v2 [cs.NE] for this version)

Try the Bibliographic Explorer
(can be disabled at any time)
[url=]Enable[/url][url=]Don't show again[/url]

Bibliographic data[[url=]Enable Bibex[/url](What is Bibex?)]





Submission historyFrom: Samuli Laine [view email]
[v1] Wed, 12 Dec 2018 13:59:43 UTC (22,070 KB)
[v2] Wed, 6 Feb 2019 14:58:00 UTC (22,070 KB)

Which authors of this paper are endorsers? | [url=]Disable MathJax[/url] (What is MathJax?)