الگوریتم مبتنی بر هوش مصنوعی تغییر سن شخصی‌شده را برای چهره‌های انسان امکان‌پذیر می‌کند

به گزارش گروه دانشگاه خبرگزاری دانشجو، محققان دانشگاه کارولینای شمالی در چپل هیل و دانشگاه مریلند اخیراً MyTimeMachine (MyTM) را توسعه داده اند، یک روش جدید مبتنی بر هوش مصنوعی برای تغییر سن شخصی سازی شده که می تواند چهره انسان را در تصاویر یا ویدیوها جوان یا مسن تر نشان دهد و عوامل ذهنی موثر بر افزایش سن را در نظر بگیرد. 

این الگوریتم، که در مقاله ارسال شده به سرور preprint arXiv معرفی شد، می‌تواند برای گسترش یا افزایش ویژگی‌های پلتفرم‌های ویرایش تصویر مورد استفاده مصرف‌کننده استفاده شود، اما همچنین می‌تواند ابزار ارزشمندی برای صنایع فیلم، تلویزیون و سرگرمی باشد.

رونی سنگوپتا، محققی که این مطالعه را سرپرستی کرد، گفت: تکنیک‌های پیری مجازی به‌طور گسترده در جلوه‌های بصری (VFX) در فیلم‌ها استفاده می‌شوند، اما این تکنیک‌ها به پروتز و آرایش خوب نیاز دارند، اغلب خسته‌کننده و نامناسب برای بازیگران که به طور منظم در طول فیلم‌برداری استفاده کنند.

پالهام بخش این اثر از فیلم 2019 “ایرلندی” بود، که از VFX پیشگامانه برای بازگرداندن بازیگران دیجیتالی استفاده می کرد. در حالی که از نظر بصری چشمگیر بود، این فرآیند به تلاش دستی قابل توجه، هزینه های بالا و منابع محاسباتی قابل توجهی نیاز داشت که استفاده گسترده تر از آن را محدود می کرد. پ

در حالی که اکنون فیلترهای رسانه های اجتماعی نیز وجود دارد که می تواند کاربران را پیرتر کند یا آنها را جوان تر نشان دهد، تأثیراتی که آنها ایجاد می کنند اغلب بسیار ساده و تقریباً کارتونی هستند. به عنوان مثال، آنها می توانند به سادگی چهره را محو کنند تا جوان تر به نظر برسند یا چین و چروک هایی را اضافه کنند تا افراد مسن تر به نظر برسند.

سنگوپتا توضیح داد: پیری واقعی شکل صورت را همراه با بافت تغییر می دهد و اغلب به عوامل مختلفی مانند قومیت، جنسیت، ژنتیک، سبک زندگی و شرایط سلامتی بستگی دارد. “این ما را برانگیخت تا بپرسیم: آیا می‌توان تغییرات سنی را در دسترس‌تر، کاملاً خودکار و بسیار واقع‌بینانه‌تر کرد؟ برای رسیدگی به این موضوع، ما یک روش مبتنی بر شبکه عصبی را توسعه دادیم که کل مجموعه محدود سلفی طول عمر یک فرد – از جوانی تا پیری – را شبیه‌سازی می‌کند.

MyTM، مدل تبدیل عصر جدید ایجاد شده توسط محققان، بر اساس یک شبکه عصبی مصنوعی مولد است. این الگوریتم برای شبیه سازی کل مسیر پیری افراد خاص، تولید تصاویر واقعی در مراحل مختلف زندگی آموزش داده شده است.

لوچو کی، دانشجوی فارغ التحصیل که این پروژه را رهبری می کند، گفت: «با استفاده از حدود 50 تصویر ورودی، مثلاً در 20 سال گذشته، MyTM از مدل سازی مولد برای پیش بینی پیشرفت واقعی پیری از 0 تا 100 سالگی استفاده می کند. برخلاف روش‌های سنتی که به مجموعه داده‌های گسترده برای نتایج قابل قبول متکی هستند، رویکرد ما تغییرات پیری دقیق، واقعی و شخصی‌شده مانند بافت پوست و ساختار صورت را تنها با استفاده از چند تصویر از آن شخص ارائه می‌کند.

در آزمایش‌های اولیه، مدل جدید توسعه‌یافته توسط Qi، Sengupta و همکارانشان، شبیه‌سازی‌های بسیار واقعی و شخصی‌شده را تولید می‌کند که چهره افراد خاصی را در مراحل مختلف زندگی آنها نشان می‌دهد. قابل ذکر است، MyTM همچنین عوامل خارجی را در نظر می گیرد که می توانند بر پیری تأثیر بگذارند، مانند قومیت، انتخاب سبک زندگی و ژنتیک.

Qi گفت: قابل توجه ترین دستاورد MyTM توانایی آن در تولید شبیه سازی های پیری ثابت و واقعی از 50 سلفی است. یکی از کاربردهای عملی این مدل می‌تواند در فیلم و VFX باشد، زیرا می‌توان از آن برای ساده‌سازی پیری و پیری در فیلم‌ها، کاهش هزینه و زمان و حصول اطمینان از نتایج با کیفیت استفاده کرد.

در حال حاضر، اکثر فیلم‌های کم‌هزینه/متوسط VFX با پیری مجدد ضعیفی دارند، و فیلم‌های با بودجه بالا به پروتزهای سنگین یا پردازش دستی پس از پردازش نیاز دارند. روش ما می‌تواند جلوه‌های پیری مجدد را برای انواع تولیدکنندگان محتوا در دسترس و با کیفیت بالا کند. و سازندگان فیلم.

MyTM همچنین می‌تواند ایجاد محتوای شخصی‌سازی‌شده واقعی‌تر را، به عنوان مثال با بهبود فیلترهای رسانه‌های اجتماعی، و تولید شبیه‌سازی‌های بهتر برای کمپین‌های بازاریابی یا آگاهی از سلامت، امکان‌پذیر کند. در نهایت، این مدل می‌تواند برای ایجاد پلتفرم‌های جدید طراحی شده برای ارائه حمایت عاطفی برای افرادی که در غم از دست دادن یک عزیز هستند، استفاده شود.

سنگوپتا گفت: ما دریافتیم که تلاش‌های گذشته ما برای تغییر سن، درخواست‌های متعددی از سوی مادران و اعضای خانواده‌شان دریافت کرده است. در مطالعات بعدی خود، قصد داریم نیازهای ورودی MyTM را بیشتر کاهش دهیم. در حال حاضر، این مدل به حدود 50 تصویر نیاز دارد، اما ما قصد داریم سیستم را به گونه ای اصلاح کنیم که تنها با تعداد انگشت شماری از تصاویر، عملکرد موثری داشته باشد و در عین حال کیفیت آنها را حفظ کند.

محققان همچنین قصد دارند کارایی و سرعت سیستم خود را بهبود بخشند، زیرا این کار استفاده از آن را در تنظیمات پویا تسهیل می کند، به عنوان مثال، برای پیر شدن یا پیری آواتارها و چهره های مجازی زنده در رسانه های تعاملی. این را می توان با استفاده از الگوریتم های مولد پیشرفته تر، مانند مدل های انتشار به دست آورد.