ディープラーニングで芸術はできるか？ 〜生成系ネットワークの進展〜

Transcript

1. ディープラーニングで 芸術はできるか︖ 〜⽣成系ネットワークの進展〜 2020/1/11 板垣正敏＠Python機械学習勉強会 in 新潟 Restart #10

2. ⾃⼰紹介 š 板垣 正敏 š 1955年村上市⽣まれ š 県内IT企業の技術顧問 （2020/3まで） š

   中⼩企業診断⼠ š ⽇本Rubyの会 š 新潟オープンソース協会 š Python機械学習勉強会 in 新潟 š TensorFlow Users Group š JAWS-UG Niigata š @itagakim š https://github.com/masa-ita

3. 4,900万円で 落札された絵画 š 2018/10/25 クリスティーズのオー クションで $432,500-で落札 š 製作者はフランスのアートグルー プ

   Obvious š 架空の家族の肖像画の１つとして、 GAN(Generative Adversarial Network)を使って⽣成された š 落札者は匿名 http://www.obvious-art.com/edmond-de-belamy.html Edmond De Belamy

4. AI 美空ひばり š NHK、YAMAHA、秋元康らによる 美空ひばりの歌声の再現 š 「新曲」「あれから」をボーカロ イドに歌わせた

5. NEON? https://www.youtube.com/watch?reload=9&v=Q6f6EXX-79w`

6. 画像⽣成のさまざまな試み

7. Deep Dream š 学習したものをテク スチャ化し、写真と 合成 š 「悪夢」のような写 真でインパクト š

   https://ai.googleblog.co m/2015/07/deepdream -code-example-for- visualizing.html š https://github.com/goo gle/deepdream š https://photos.google.c om/share/AF1QipPX0SC l7OzWilt9LnuQliattX4O UCj_8EP65_cTVnBmS1j nYgsGQAieQUc1VQWdg Q?key=aVBxWjhwSzg2R jJWLWRuVFBBZEN1d20 5bUdEMnhB

8. スタイル変換 Neural Style Transfer š 画家の持つ「タッ チ」を絵や写真に適 ⽤するモデル š A

   Neural Algorithm of Artistic Style š https://arxiv.org/abs/1 508.06576 š Unofficial Implementation š https://github.com/ani shathalye/neural-style

9. VAE: Variational AutoEncoder š Auto-Encoding Variational Bayes š https://arxiv.org/abs/1312.6114 š

   Stochastic Backpropagation and Approximate Inference in Deep Generative Models š https://arxiv.org/abs/1401.4082 š 特徴量の抽出を⾏うAutoencoder の隠れベクトルをガウス空間内 のサンプルと仮定し、Encoderに はそのパラメータを出⼒させる š 学習されたガウス空間からのサ ンプルをDecoderに⼊⼒すること で、新たな画像を⽣成できる https://qiita.com/shionhonda/items/e2cf9fe93ae1034dd771

10. GAN: Generative Adversarial Network

11. GANの仕組みと 歴史 š GANは画像を⽣成するGeneratorと画像が本物か偽物か を⾒分けるDiscriminatorとを競い合わせながら学習させ る š ゲーム理論での「ナッシュ均衡」、つまりどちらもそ れ以上改善の余地がない状態を⽬指す š

    GANの元になった考え⽅としては、Gutmann他によるノ イズコントラスト推定やNiemitaloのブログ記事に敵対 的ネットワークのアイデアがあるといわれる š 実装まで⾏ったのは、Goodfellow他の論⽂ が初めてと されている https://qiita.com/shionhonda/items/330c9fdf78e62db3402b min $ max ' )~+,()) [log ()] + 7~+ 8 [log(1 − )]

12. GANのバリエーション 構造の最適化 š 畳み込み š DCGAN š 条件付き š CGANs

    š InfoGAN š ACGAN š Autoencoder š AAE š BiGAN š ALI š AGE š VAE-GAN ⽬的関数の最適化 š Unrolled GAN š f-GAN š Mode-Regularized GAN š Least-Square GAN š Loss-Sensitive GAN š EBGAN š WGAN š WGAN-GP š WGAN-LP https://ieeexplore.ieee.org/document/8667290

13. GANの応⽤ š 超解像度画像⽣成 š SRGAN š ESRGAN š 画像変換 š

    pix2pix š pix2pixHD š CycleGAN š DiscoGAN š DualGAN š StarGAN š テクスチャ⽣成 š MGAN š SGAN š SPGAN š 顔⽣成 š SAGAN š BigGAN š MoCoGAN š テキスト⽣成 š SeqGAN š RankGAN š その他 š AnoGAN（異常検知）

14. StyleGAN š A Style-Based Generator Architecture for Generative Adversarial Networks

    š https://arxiv.org/abs/1812.04948 š https://github.com/NVlabs/stylegan

15. StyleGAN2 š Analyzing and Improving the Image Quality of StyleGAN

    š https://arxiv.org/abs/1912.04958 š https://github.com/NVlabs/stylegan2
16. None
17. None
18. None

19. SinGAN: Learning a Generative Model from a Single Natural Image

    š SinGAN: Learning a Generative Model from a Single Natural Image š https://arxiv.org/abs/1905.01164 š https://github.com/tamarott/SinGAN
20. None
21. None
22. None

23. vid2vid š Video-to-Video Synthesis š https://arxiv.org/abs/1808.06601 š https://github.com/NVIDIA/vid2vid

24. vid2vidの ネットワーク 構造 š 動画のフレーム間にはマ ルコフ過程を仮定 š フレームの⽣成にはオプ ティカルフロー （FlowNet2）と

    Conditional GANを組み合 わせている š ⾼精細化のために、⼊⼒ 画像をダウンサンプルし、 残差ネットワークを構成 Residual blocks ... Residual blocks ... Residual blocks ... Residual blocks ... Semantic maps Previous images Intermediate image Flow map Mask Figure 8: The network architecture (G1 ) for low-res videos. Our network takes in a number of semantic label maps and previously generated images, and outputs the intermediate frame as well as the flow map and the mask. ... Residual blocks G2 ... ... ... ... G2 G1 Figure 9: The network architecture (G2 ) for higher resolution videos. The label maps and previous frames are downsampled and fed into the low-res network G1 . Then, the features from the high-res network and the last layer of the low-res network are summed and fed into another series of residual blocks to output the final images. A Network Architecture A.1 Generators Our network adopts a coarse-to-fine architecture. For the lowest resolution, the network takes in a number of semantic label maps st t L and previously generated frames ˜ xt 1 t L as input. The label maps are concatenated together and undergo several residual blocks to form intermediate high-level features. We apply the same processing for the previously generated images. Then, these two intermediate layers are added and fed into two separate residual networks to output the hallucinated image ˜ ht as well as the flow map ˜ wt and the mask ˜ mt (Figure 8). Next, to build from low-res results to higher-res results, we use another network G2 on top of the low-res network G1 (Figure 9). In particular, we first downsample the inputs and fed them into G1 . Then, we extract features from the last feature layer of G and add them to the intermediate feature

25. Few-shot Video-to-Video Synthesis š Few-shot Video-to-Video Synthesis š https://arxiv.org/abs/1910.12713 š

    https://nvlabs.github.io/few-shot-vid2vid/

26. Few-Shot vid2vidの構造 š 少数の画像をCNNにかけて特徴抽出することで、 画像⽣成ネットワークの重みを⽣成 š 例えば顔の動画を⽣成する場合、必要なのは画像 と顔のキーポイントデータ

27. None

28. 画像以外の⽣成モデル

29. テキスト⽣成 š GPT-2 š テスラ・モーターズのイーロン・マス クなどが設⽴した OpenAI が開発したテ キスト⽣成モデル š

    ⼈間が⼊⼒した⽂に続けてもっともら しい内容を⽣成 š 当初、フェイクニュースの⽣成に悪⽤ されるのを恐れて公開されなかった š https://openai.com/blog/better-language- models/ š https://openai.com/blog/gpt-2-1-5b- release/ š https://github.com/openai/gpt-2 š https://talktotransformer.com In a shocking finding, scientist discovered a herd of unicorns living in a remote, previously unexplored valley, in the Andes Mountains. Even more surprising to the researchers was the fact that the unicorns spoke perfect English. MODEL COMPLETION (MACHINE-WRITTEN, 10 TRIES) The scientist named the population, after their distinctive horn, Ovid’s Unicorn. These four-horned, silver-white unicorns were previously unknown to science. Now, after almost two centuries, the mystery of what sparked this odd phenomenon is finally solved. Dr. Jorge Pérez, an evolutionary biologist from the University of La Paz, and several companions, were exploring the Andes Mountains when they found a small valley, with no other animals or humans. Pérez noticed that the valley had what appeared to be a natural fountain, surrounded by two peaks of rock and silver snow. Pérez and the others then ventured further into the valley. “By the time we reached the top of one peak, the water looked blue, with some crystals on top,” said Pérez. …

30. ⾳楽⽣成 š Google Magenta š VAEやGANによる⾳楽⽣成 š https://magenta.tensorflow.org/ š Building

    An A.I. Music Generator Transformer, BERT, seq2seq etc. š テキスト⽣成の⾳楽への応⽤ š https://towardsdatascience.com/creating-a-pop-music-generator-with-the- transformer-5867511b382a š https://musicautobot.com/

31. Deep Learningの「作品」は 芸術か︖

32. 「帰納法」は創造的になれるか︖ š機械学習の本質は「帰納法」 š既存の作品を学習して「似て⾮なるもの」 を⽣成することしかできないのでは︖ š創造ではなく「贋作」か︖

33. 表現しようという意思 š でたらめ（ランダム性）は芸術といえるのか︖ š ⼈間が製作したアートにも、ランダム性に依存し たものはある （ペンキをぶちまける、⽕薬を発⽕させる、etc.） š アートには何かを表現したい（伝えたい）という 意思が必要︖

    š コンピューターに意識や意思はあるのかという問 題に

34. DeepFake への対抗策

35. AIが⾃動⽣成、 ⼤量の「フェイ ク顔」がトラン プ⽒を⽀持する š AIが⾃動⽣成する実在しな い「フェイク顔」のアカウ ントが、フェイスブックを 舞台に⼤量発⽣し、トラン プ⼤統領の再選を⽀持する

    ――。 š フェイスブックはこの動き に対し、600を超すアカウ ント、さらに関連するフェ イクブックページやグルー プの削除を発表した。 š またフェイスブックの発表 と合わせて、⼤⼿シンクタ ンクなどが調査報告書を公 表。AIによる「フェイク 顔」アカウントの⼤量発⽣ の仕組みを解き明かしてい る。 https://kaztaira.wordpress.com/2019/12/27/fake_face_swarm/

36. Deepfake Detection Challenge š https://www.kaggle.com/c/deepfake-detection-challenge š AWS, Facebook, Microsoft が共同で

    Deepfake を検出する機械学習モデ ルを開発するコンテストを実施 š 動画の中からDeepfakeを検出 š 賞⾦総額は100万ドル︕