Detta AI neurala nätverk från Nvidia skapar fotorealistiska falska bilder

Vid en blick ser fotot uppåt som ett vanligt foto på en vanlig gata, antingen från en dash-kamera eller från någon dum nog att vandra in i vägen för att få en bild av en sådan vardaglig scen.

Men se lite närmare. Lägg märke till hur trafiksignalen är lite vridbar, eller hur vissa bilar verkar luddiga? Det är något fel här. Det här är inget fotografi alls. Det är en bild som helt skapades av en A.I.

Datatekniker från techföretaget Nvidia och University of California, Berkeley, har skrivit ett forskningspapper, tillgängligt i preprint på arXiv, och beskriver hur de kunde få ett neuralt nätverk för att skapa realistiska streetbilder och mänskliga porträtt. De inkluderade även ett användargränssnitt som låter dig tweak bilderna men du skulle vilja genom att lägga till extra lövverk eller till och med ändra vädret.

"Gaming växer snabbt, för att människor älskar att interagera med varandra i virtuella miljöer, säger Ming-Yu Liu, en seniorforskare vid Nvidia, Omvänd i ett mail. "Det är dock dyrt att bygga virtuella världar med dagens teknik, eftersom det kräver att artister uttryckligen modellerar och simulerar konsistens och belysning för den värld de bygger. Med bild-till-bild-översättning kan vi istället prova den verkliga världen för att skapa virtuella världar."

Neurala nätverk är datorer som modelleras för att fungera som en mänsklig hjärna genom att ta in information, tillämpa den och lära av resultaten. Denna forskning använde speciella typer av neurala nät som introducerades av Ian Goodfellow 2014, kallade generativa adversariella nätverk - eller GANs - som i allmänhet består av två nätverk, generatorn och diskriminatorn.

Generatorn ges bilder och börjar skapa syntetiska bilder som liknar dem som den gavs. Det visar sedan en blandning av bilderna som den gavs och fusk till diskriminatorn, vars jobb det är att berätta för dem. När processen fortsätter blir generatorn bättre att efterlikna de ursprungliga bilderna och diskriminatorn blir bättre när man berättar förfalskningarna. Resultaten är några ganska övertygande - och helt falska bilder.

Denna forskning bygger på den traditionella GAN-modellen genom att lägga till uppdelningen av generatorn och diskrimineringsnätet i några delnätverk, vilket möjliggör utmatning av högupplösta bilder. De neurala nätverken kan också ta in en semantisk karta - eller en ritning om hur bilden ska se ut - och fylla i texturerna autonomt. Användare kan till och med gå in i ritningen och ändra saker om de vill lägga till byggnader istället för träd i gatuvy eller göra ögonen bredare i ett porträtt.

Papperet jämför sina resultat med liknande experiment gjorda med denna metod, den mest anmärkningsvärda är pix2pix. Nvidia och UC Berkeley-studien kan generera bilder med detaljer som små och exakta som läsbara licensplattor, medan pix2pix utmatar bilder som nästan liknar akvarellmålningar.

Medan det här verktyget kan användas för att tjäna lite gratis redditkarma med ett par outlandish-bilder, ser författarna stor potential i att använda detta tillvägagångssätt för att generera realistisk grafik med bara en enkel ritning.

Hundratals timmar av noggrann arbetskraft går in i att skapa virtuella världar för användning i Google Maps, filmer och videospel. Liu säger att denna modell kan fungera som ett sätt att smärtfritt få det mesta av utformningen gjort och sedan gå in och anpassa detaljerna senare.

"Istället för att göra världen genom att uttryckligen modellera den kan vi bygga världen implicit genom att använda bild-till-bild-översättning för att översätta mellan en enkel modell av världen som inte innehåller någon struktur eller belysning och en fotorealistisk utgång. Denna förmåga borde göra det mycket billigare att bygga virtuella världar, säger han Omvänd.

För nästa steg i denna forskning hoppas laget att utforska video-till-video-översättning, som skulle använda neurala nät för att skapa realistiska videor. Ett mål som Lui säger har utmanat forskare på fältet.

Nu vet du hur lätt falska bilder kan skapas. Lita inte på allt du ser på Google-bilder.