Sintetizzare immagini di cose che non esistono, con l’IA

Generare immagini

Se volessi realizzare un’opera d’arte che abbia come soggetto le Highlands scozzesi, dipinte alla maniera impressionista, non avrei probabilmente modo di realizzarla. La mancanza di qualsivoglia competenza pittorica, oltre che il tempo e il materiale necessari per realizzarla, mi dissuaderebbero velocemente dal provarci.

Potrebbe non essere così in qualche anno: in un futuro prossimo, infatti, potrei riuscire a realizzare una copia digitale dell’opera suddetta con una certa libertà, grazie all’Intelligenza Artificiale.

Sono infatti sempre di più le IA generative in grado di creare foto e immagini dal nulla (come nel caso di DALL*E) o che riescono a modificare o restaurare opere esistenti, come nel caso dell’applicazione creata da un team di ricercatori dell’Università di Hong Kong in collaborazione con il Microsoft Research Asia, che restaura vecchie foto ripristinando colori e definizione originali.

Questo tipo di IA viene usualmente costruita usando Generative Adversarial Networks (GANs), Variational AutoEncoder (VAEs) o i cosiddetti “Diffusion Models”.

Si usano cioè modelli di Machine Learning definiti “deep generative”, modelli di apprendimento automatico non supervisionato, costruiti su architetture di Deep Neural Networks.

Tra le tre, l’architettura che ad oggi ha dato risultati migliori e più stabili è quella dei GANs.

Cosa sono i Generative Adversial Networks

Nei modelli generativi, come abbiamo già detto, l’apprendimento avviene “senza supervisione”, ovvero l’IA impara autonomamente a individuare pattern che emergono dai dati e quindi sviluppa un suo sistema per generare oggetti che ricalchino i pattern originali.

Prendendo le mosse da questo tipo di modelli, un team di ricercatori, guidati dall’Ingegnere Ian Goodfellow dell’Università di Montreal, nel 2014, ha sviluppato il sistema dei Generative Adversial Networks, un modello di IA basato su due Neural Networks che competono tra loro.

Una Neural Network (il “generatore”) si occupa di capire quale sia il metodo migliore per generare dati e oggetti coerenti con l’input ricevuto, mentre l’altra (il “discriminativo”) assume il ruolo di “critico”, giudicando l’operato della prima e quindi selezionando gli output migliori.

Le due reti, in una sorta di sfida continua, affinano così sempre più il loro prodotto, riuscendo a generare output ottimali.

L’affinamento continuo e automatico, senza che sia necessario un feedback umano dall’esterno, rende i modelli GAN particolarmente efficaci per la generazione di immagini: con un corretto training, infatti, la Neural Network discriminativa riesce a indirizzare la NN generatrice come potrebbe fare un occhio umano e le immagini prodotte sono via via sempre più realistiche e credibili.

Il metodo è ormai talmente efficace nel generare immagini realistiche che sta diventando impossibile riuscire a distinguere immagini generate con IA da quelle reali.

Esempi di applicazioni sviluppate con modelli GAN

I GANs hanno dato nuova spinta alle IA generative per l’elaborazione immagini.

Si sono cominciate a sviluppare applicazioni in grado di trasformare foto o immagini in complesse illustrazioni artistiche, software che creano immagini partendo da input testuali o vocali e modelli capaci di produrre foto realistiche di persone e animali che non esistono.

Ha ormai un paio d’anni, ad esempio, il conosciutissimo modello StyleGAN2, creato da un team Nvidia guidato dal finlandese Tero Karras e che riesce a generare cose che non esistono: volti umani, gatti e opere d’arte astratta.

Ma sono molti i modelli interessanti sviluppati negli ultimi anni, come il software Pix2Pix che riesce a trasformare immagini di un certo tipo (illustrazioni, foto, bozze, macchie di colore) in immagini più definite e realistiche, o il Pose Guided Person Generation Network (PG), capace di sintetizzare foto originali di una persona disposta in varie pose partendo da una singola immagine.

Immagine: collage di foto generate con StyleGAN2

Applicazioni commerciali

La possibilità di generare immagini originali, senza il bisogno di avere a disposizione competenze specializzate, strumenti costosi o soggetti adatti, aprono nuove possibilità per le aziende.

Basti pensare alla possibilità di creare o animare avatar realistici, per campagne marketing o per personalizzare un servizio clienti automatizzato; oppure alla possibilità di generare in un attimo le foto per il proprio e-commerce, con modelle diverse che indossano lo stesso abito, per illustrare al meglio la vestibilità del proprio prodotto; oppure ancora alle applicazioni nel campo dell’editing, con strumenti che in due tocchi possono sostituire lo sfondo di un immagine o restaurare vecchie foto.

In Aidia possiamo sviluppare modelli generativi adatti alle più svariate esigenze, per saperne di più, contattaci o inviaci una mail a info@aidia.it.