Landschaft † Unterschiedliche Weltumwandlung † durch KI

Einleitung († Horrorkonvertierung †)

Vor der Konvertierung	Nach der Konvertierung

Hast du verstanden?

Dies nutzt GAN (Hostile Generation Network), um dem Foto ** "Horror" ** -Funktionen zu geben und ** zu konvertieren **.

Lassen Sie uns das Prinzip beiseite legen und zuerst die Möglichkeiten von GAN sehen!

Saisonale Konvertierung, Aurora-Konvertierung, Feuerwerkskonvertierung

Vor der Konvertierung	Nach der Konvertierung

Diese werden mit "Sommer und Frühling", "Wolken und Aurora", "Himmel und Feuerwerk" usw. unter Verwendung von CycleGAN [1] gepaart. Wir machen *. Es ändert nicht nur die Farbe, sondern die Konvertierung erfolgt unter Beibehaltung des Prototyps wie "Übersetzung (Konvertierung) des Bildes".

Wenn Sie mehr über das Prinzip von CycleGAN erfahren möchten, lesen Sie bitte diesen Artikel. Vielen Dank für meine Hilfe.

Landschaft † Unterschiedliche Welttransformation †

Dieses Mal habe ich diese Technologie in ein Foto verwandelt ** "Landschaftsumwandlung" ** ... Nein! !!

Ich habe es für ** "† Different World Conversion †" ** verwendet! !!

Schauen Sie sich die vier Monate des Kampfes und die Ergebnisse an.

† Fantasy-Konvertierung †

Erstens ist † Fantasy-Konvertierung †. Ich habe einen Datensatz mit einem Paar "Landschaft (Kagoshima)" und "Fantasie / Fantastisch" erstellt und gelernt. Schließlich war der abstrakte Ausdruck schwierig und es war sehr schwierig, Bilder auszuwählen.

Vor der Konvertierung	Nach der Konvertierung

kam heraus! Die ohnehin schon wunderschöne Landschaft von Kagoshima wird noch ** fantastischer und mysteriöser **! ?? Ist das Lichtkorn "nur Lärm" ...? Nein, nein, es sieht aus wie ** "eine Fee fliegt" ** in meinen Augen. Insgesamt ** ist die blaue Farbe sehr schön **.

† Horrorkonvertierung †

Als nächstes folgt die zu Beginn eingeführte † Horrorkonvertierung †.

** * * * Aufmerksamkeit durchsuchen * * * * *.

Vor der Konvertierung	Nach der Konvertierung

Bitte sehen Sie dieses Stadtbild ...! !! ** Hast du den Mut einzusteigen? ** ** ** Ich möchte es als Textur für Horrorspiele verwenden, so wie es ist.

Hier habe ich einen Datensatz mit einem Paar "Stadtbild" und "Horrorvideo" erstellt und gelernt. Mit anderen Worten, ich zeigte der lernenden KI immer wieder die Spielbildschirme von "SIREN" und "Silent Hill". Dies ist der Grund, warum das Stadtbild insgesamt ** rot-schwarz ** ist (ich habe mehrere ausprobiert, aber der Fluss wurde nicht rot. Leider).

† Umbau der Unterwasserstadt †

Als nächstes kommt † Unterwasserstadt-Atlantis-Transformation †. ** "Wenn Sie die Eigenschaften von" Unterwasser "mit" Landschaft "mischen, wird es eine" Unterwasserstadt "? 』** Ich habe einen Datensatz erstellt und aus der einfachen Idee gelernt.

Vor der Konvertierung	Nach der Konvertierung

Es ist wundervoll ...! ** Der Eingang zum Ryugu Castle ** …… Kannst du das sagen? Der Baum dahinter ist wie ein Korallenriff. ** Gott des Wassers ... Danke. ** ** ** † Unterwasserstadt-Atlantis-Transformation † sammelt nicht nur "Unterwasser" -Bilder, sondern auch "Tauch" -Bilder. Ich konnte einen hervorragenden Datensatz erstellen.

† Umbau des Eisberges †

Erst neulich gab es eine Kampagne, um als besonderen Projekt von Anna Snow 2 "Mt. Fuji und Sakurajima in Eis zu beizen". ** Was ist, wenn ich dasselbe mit GAN mache? ** ** ** Ich habe einen Datensatz mit einem Paar "Sakurajima" und "Hyozan" erstellt und gelernt!

Vor der Konvertierung	Nach der Konvertierung

** Nein, es ist übertrieben. ** ** ** Als ich aufgeregt die Konvertierungsergebnisse sah, hatte ich solche Angst, dass ich weinte, weil es in der Eiszeit war.

Ist das die Rebellion der KI ...? Wenn wir den Datensatz sorgfältiger erstellt und die Form des Berges gelernt hätten, wäre das Ergebnis möglicherweise nicht so erschreckend gewesen. ** † Gletscherumwandlung † ** Wenn Sie es wieder öffnen, wird es eine Perfektion sein.

Über die Lernmethode

Bildersammlung für Trainingsdatensatz

CycleGAN ist ** unbeaufsichtigtes Lernen **. Es ist keine Kennzeichnung erforderlich. Das Tolle an CycleGAN ist, dass Sie auch bei unterschiedlichem Hintergrund und Zusammensetzung gut lernen können, wenn Sie dieselbe Nummer haben. Bei dieser Konvertierung werden Bilder um jeweils ** 1000 ** gesammelt, um einen Datensatz zu erstellen. Die üblichen 1000 Straßen sind in Form von "Zug A" und die 1000 Straßen in einer anderen Welt in Form von "Zug B".

Das heißt, ich bin kein ** Bewohner einer anderen Welt **, also habe ich keine 1000 ** Bilder einer anderen Welt ** in meiner Kamera ...

Daher habe ich den Trainingsdatensatz hauptsächlich mit den folgenden zwei Methoden erstellt.

① Sammeln Sie Bilder mit der Google-Bildsuche

Die Python-Bibliothek "icrawler" ist nützlich. Weitere Informationen finden Sie unter Dieser Artikel. Vielen Dank für all die Hilfe, die Sie mir gegeben haben.

Ich habe nach Bildern mit Stichwörtern wie "Aurora" gesucht und einen Datensatz erstellt.

② Nehmen Sie ein Video auf und schneiden Sie das Bild in Rahmeneinheiten aus

Bei Methode (1) werden Rauschdaten je nach Suchwort zu stark gemischt, was die Auswahl von Lernbildern sehr schwierig macht. In einem solchen Fall ist es einfacher, das Video, das das Bild der Stilkonvertierung mit OpenCV usw. ist, in Frame-Einheiten abzubilden. Weitere Informationen finden Sie unter Dieser Artikel. Vielen Dank für all die Hilfe, die Sie mir gegeben haben.

Zum Beispiel habe ich in "Horror Conversion" die gruseligsten Szenen im Horrorspiel insgesamt etwa 30 Minuten lang aufgenommen und die Bilder auf etwa 1000 Blatt ausgeschnitten.

Lernen Sie mit CycleGAN

Es lernt endlich mit Cycle GAN. Es ist gut, es auf Ihrem eigenen PC zu drehen, aber ** Google Colabratory ** ist erstaunlich. Mit diesem Dienst können Sie Jupyter Notebook in der Cloud verwenden. Weitere Informationen finden Sie unter Dieser Artikel. Vielen Dank für all die Hilfe, die Sie mir gegeben haben.

Grob gesagt handelt es sich um eine Cloud-IDE, die ** eine GPU kostenlos ausleiht **. Es ist wunderbar. Wenn Sie Glück haben, können Sie Tesla P100 (GPU von ca. 900.000 Yen) kostenlos ausleihen. Es ist wunderbar. Da es sich um eine Cloud-IDE handelt, hängt dies nicht vom Standort oder Ihren eigenen Maschinenspezifikationen ab. Alles, was Sie im Hintergrund lernen können. Es ist wunderbar. Ich war zu bequem, um Google Drive aufzuladen. Ich liebe Google.

Quellcode

https://colab.research.google.com/drive/1KmwC-eOU3Z02ZiCmgFv-rDG4HxzK-8zG ↑ Hier sind die Notizen, mit denen ich tatsächlich ** † Different World Conversion † ** gelernt habe. Pytorch-Version von CycleGAN [2] ist in Google Colabratory implementiert. Ich bin mir immer noch nicht sicher, aber ich hoffe, es wird hilfreich sein, da ich einen Kommentar für mich habe! Bitte kommen Sie zunächst aus der Standardkonvertierung im Stil "Pferd → Shimauma".

Freigabe der Webanwendung

Ich werde es bald schreiben ngrok ist unglaublich!

Verweise

[1]Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros, Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks, arXiv preprint arxiv:1703.10593, 2017.

[2]@inproceedings{CycleGAN2017, title={Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networkss}, author={Zhu, Jun-Yan and Park, Taesung and Isola, Phillip and Efros, Alexei A}, booktitle={Computer Vision (ICCV), 2017 IEEE International Conference on}, year={2017} } @inproceedings{isola2017image, title={Image-to-Image Translation with Conditional Adversarial Networks}, author={Isola, Phillip and Zhu, Jun-Yan and Zhou, Tinghui and Efros, Alexei A}, booktitle={Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on}, year={2017} }