211service.com
Neurales Netzwerk lernt, Gesichter synthetisch zu altern und sie auch jünger aussehen zu lassen
Die Art und Weise, wie wir altern, ist zutiefst faszinierend. Zu wissen, wie unsere Gesichter in 20, 30 oder 40 Jahren aussehen werden, ist ein Trick, den viele fesseln würden.
Es gibt eine Reihe von Techniken, die dies tun können. Aber sie sind zeitaufwändig und damit teuer. Eine billige und schnelle Möglichkeit, Gesichter auf Fotos altern zu lassen, wäre also ein praktischer Trick.
Betreten Sie Grigory Antipov von Orange Labs in Frankreich und ein paar Freunde, die eine Deep-Learning-Maschine entwickelt haben, die diese Aufgabe mit Leichtigkeit erledigen kann. Ihr System kann nicht nur junge Gesichter älter aussehen lassen, sondern auch ältere Gesichter jünger aussehen lassen.
Einige neuere Entwicklungen haben ihre Aufgabe erleichtert. In den letzten Jahren haben Informatiker Deep-Learning-Maschinen gebaut, die in der Lage sind, Gesichter auf verschiedene, aber realistische Weise zu modifizieren. Dieser Ansatz kann realistische synthetische Gesichter erstellen, die älter aussehen.
Es gibt jedoch ein Problem. Indem sie Gesichter älter aussehen lassen, verlieren diese Deep-Learning-Maschinen dabei oft die Identität der Person. Das Individuum sieht also älter aus, ist aber nicht mehr identifizierbar.
Antipov und Co haben einen Weg gefunden, dieses Problem zu lösen. Ihr Ansatz umfasst zwei Deep-Learning-Maschinen, die zusammenarbeiten – einen Gesichtsgenerator und einen Gesichtsdiskriminator. Beide Maschinen lernen, wie Gesichter mit zunehmendem Alter aussehen, indem sie Fotos von Menschen in den Altersgruppen 0–18, 19–29, 30–39, 40–49, 50–59 und über 60 Jahren analysieren.
Insgesamt wurden die Maschinen auf 5.000 Gesichter in jeder Gruppe trainiert, die der Internet Movie Database und Wikipedia entnommen und dann mit dem Alter der Person gekennzeichnet wurden. Auf diese Weise lernt die Maschine die charakteristische Signatur von Gesichtern in jeder Altersgruppe. Es ist diese abstrakte Signatur, die der Gesichtsgenerator dann auf andere Gesichter anwenden kann, damit sie gleich alt aussehen.
Das Anbringen dieser Signatur kann jedoch manchmal dazu führen, dass die Identität einer Person verloren geht. Also schaut sich die zweite Deep-Learning-Maschine – der Gesichtsdiskriminator – das synthetisch gealterte Gesicht an, um zu sehen, ob die ursprüngliche Identität noch erkennbar ist. Wenn dies nicht möglich ist, wird das Bild abgelehnt.
Antipov und Co nennen ihren Prozess Age Conditional Generative Adversarial Network – kontradiktorisch, weil die Deep-Learning-Maschinen gegensätzlich arbeiten.
Die Ergebnisse sind beeindruckend zu lesen. Das Team wendete die Technik auf 10.000 Gesichter aus der IMDB-Wikipedia-Datenbank an, die sie nicht für das Training verwendet hatten. Anschließend testeten sie die Vorher- und Nachher-Bilder mit einer Software namens OpenFace, die erkennen kann, ob zwei Bilder dieselbe Person zeigen oder nicht. Dadurch wurde dasselbe Gesicht in mehr als 80 Prozent der Fälle entdeckt, verglichen mit etwa 50 Prozent der Zeit bei anderen Gesichtsalterungstechniken.
Und natürlich lässt die Technik nicht nur junge Gesichter altern, sondern erzeugt auch jüngere Versionen älterer Gesichter.
Es gibt einen offensichtlichen Test, den das Team nicht gemacht hat. Vermutlich ist es möglich, Gesichter, die synthetisch verjüngt wurden, mit Bildern des gleichen Gesichts zu vergleichen, die aufgenommen wurden, als die Person tatsächlich jünger war. Das wäre ein guter Test, wie genau die Technik ist, und vielleicht eine Aufgabe für die Zukunft.
Antipov und Co sagen, dass ihre Technik in Anwendungen wie der Identifizierung von Menschen eingesetzt werden könnte, die seit vielen Jahren vermisst werden. Es könnte auch viel Spaß machen, damit zu spielen, falls sie sich dafür entscheiden, ihren Algorithmus öffentlich zu machen.
Ref: arxiv.org/abs/1702.01983 : Dem Altern mit bedingten generativen kontradiktorischen Netzwerken begegnen