Une intelligence artificielle a recomposé des photos "réalistes" de personnages historiques comme Napoléon
Une intelligence artificielle a recomposé des photos "réalistes" de personnages historiques comme Napoléon Bonaparte et Jules César
à l'aide de réseaux adverses génératifs
Il arrive parfois de regarder des portraits ou des bustes de personnages historiques et de se demander à quoi ils ressembleraient s'ils vivaient à notre époque. Pour sa part, l'artiste Hidreley Diao a tenté de répondre à la question en faisant appel à l'intelligence artificielle pour transformer des images de personnages historiques célèbres en portraits modernes. Ainsi, il est parvenu à créer des photos "réalistes" de personnages historiques comme Napoléon Bonaparte, Jules César, Vincent Van Gogh, Alexandre le Grand, Marc Aurel, George Washington, etc. Ces photos semblent - au moins superficiellement - authentiques à l'œil humain.
« Avec l'avènement de l'intelligence artificielle, nous avons réalisé que "presque" tout est possible. Je me suis donc lancé le défi d'adapter ces personnages historiques à notre époque », explique l'artiste. Hidreley Diao s'est déjà fait remarquer avec d'autres travaux de photoréalisme. Par exemple, il a réalisé une collection de visages emblématiques (ou de dessins animés ou même de statues comme la mythique statue de la Liberté de New York), totalement adaptés à l'époque dans laquelle nous vivons. Il y a une touche d'intelligence humaine et de vision artistique. Et des outils d'intelligence artificielle qui l'aident à faire le reste.
Napoléon Bonaparte
Pour ce nouvel exercice, Diao a utilisé la plateforme "Artbreeder.com" qui propose un outil de création d'images de portraits et de paysages. Anciennement connu sous le nom de Ganbreeder, Artbreeder est une plateforme d'art collaboratif, basé sur l'apprentissage automatique. Artbreeder fournit quelques milliers de portraits différents, mais permet également de les modifier à un degré très élevé grâce à des curseurs faciles à utiliser. Vous pouvez modifier les traits du visage en fonction de l'âge, du teint de la peau et même des expressions émotionnelles. Les réseaux adverses génératifs (GAN) sont la principale technologie d'Artbreeder.
Artbreeder utilise les modèles BigGAN et StyleGAN. Il existe une version minimale open source disponible qui utilise BigGAN. En effet, les GAN (generative adversarial networks) sont considérés comme le modèle génératif le plus efficace pour la synthèse d'images. Néanmoins, ils sont généralement limités à la génération de petites images et le processus d'apprentissage reste fragile, dépendant d'augmentations et d'hyperparamètres spécifiques afin d'obtenir de bons résultats. BigGAN est un GAN conçu pour la génération à grande échelle d'images haute résolution et haute fidélité. Il comprend plusieurs changements incrémentaux et d'innovations.
Autrement dit, BigGAN est une approche visant à rassembler une série de meilleures pratiques récentes en matière d'apprentissage d'images conditionnelles de classe et d'augmentation de la taille des lots et du nombre de paramètres du modèle. Le résultat est ce que les chercheurs appellent la génération systématique d'images à la fois de haute résolution (grande taille) et de haute qualité (haute fidélité). StyleGAN quant à lui est un type de GAN introduit par les chercheurs en IA de Nvidia en décembre 2018 et rendu disponible en février 2019. StyleGAN dépend du logiciel CUDA de Nvidia, des GPU et de TensorFlow.
Selon les chercheurs de Nvidia, StyleGAN utilise une architecture de générateur alternative pour les GAN, empruntant à la littérature sur le transfert de style ; en particulier, l'utilisation de la normalisation adaptative des instances. Parmi les autres particularités, citons le fait qu'il génère des variables latentes à partir d'un tenseur à valeur fixe et non de manière stochastique comme dans les GAN classiques. Les variables latentes générées de manière stochastique sont utilisées comme vecteurs de style dans la normalisation adaptative de l'instance à chaque résolution après avoir été transformées par un réseau de feedforward à 8 couches.
George Washington
Enfin, il utilise une forme de régularisation appelée régularisation de mélange, qui mélange deux variables latentes de style pendant l'apprentissage. Ainsi, Diao a utilisé Artbreeder pour générer les images et FaceApp (une application mobile d'édition de photos par IA) pour les finaliser. D'abord, pour arriver à ces résultats, Diao affirme qu'il faut une touche humaine, avec un œil d'artiste. Il avoue qu'au total, il passe environ deux heures sur chacune des images de personnages historiques qu'il a publiées. Il accède d'abord à une banque d'images pour rechercher des photographies de personnes ressemblant à celle qu'il a décidé de reproduire.
Selon lui, "trouver l'image parfaite qui servira de base à l'œuvre d'art prend beaucoup plus de temps que de réaliser l'œuvre". « Au moment de choisir le personnage, le plus long est de trouver une image qui ressemble à la figure historique. Je passe des heures dans les banques d'images jusqu'à ce que je l'obtienne. Je dis toujours que trouver l'image parfaite pour être la base de l'art prend beaucoup plus de temps que de faire l'art », a déclaré Diao. Lorsqu'il trouve enfin une photo appropriée, la technologie d'Artbreeder entre en jeu pour générer des images candidates. Diao en choisit une et finit le travail avec FaceApp (ou parfois Photoshop).
Et vous ?
Quel est votre avis sur le sujet ?
Voir aussi
Répondre avec citation
Partager