तंत्रिका नेटवर्क ने नकली ओबामा बनाया

प्रसिद्ध राजनेताओं और अभिनेताओं के डिजिटल युगल "कठपुतली" के पूर्ण नियंत्रण में हैं। चित्रण: वाशिंगटन विश्वविद्यालय, 2015

3 डी ग्राफिक्स कार्यक्रम, तंत्रिका नेटवर्क के साथ मिलकर, इस तरह की गुणवत्ता तक पहुंच गए हैं कि नकली वीडियो वास्तविक से लगभग अप्रभेद्य है। जल्द ही यह निश्चितता के साथ कहना संभव नहीं होगा कि टीवी स्क्रीन पर व्यक्ति एक वास्तविक राजनीतिज्ञ है, न कि कंप्यूटर सिमुलेशन।

दिसंबर 2015 में, वाशिंगटन विश्वविद्यालय के वैज्ञानिकों ने "डिजिटल डबल्स" की तकनीक पेश की: एक चरित्र की सैकड़ों तस्वीरों से "लाइव" 3 डी मॉडल का निर्माण। इंटरनेट पर मशहूर हस्तियों और राजनेताओं के लिए एक विशाल फोटो संग्रह तैयार किया गया है। कार्यक्रम एक मॉडल बनाता है, और यह कि एक रस्सी पर एक गुड़िया की तरह है - यह आपके जैसे ही नियंत्रित किया जा सकता है, विभिन्न चेहरे के भाव दे सकता है, अपने होंठों के साथ कोई भी भाषण कर सकता है।

अब, SIGGRAPH 2017 कंप्यूटर ग्राफिक्स सम्मेलन की पूर्व संध्या पर, शोधकर्ताओं के एक ही समूह ने "डिजिटल समकक्षों" के उन्नत संस्करण के साथ एक नया वैज्ञानिक कार्य प्रकाशित किया है।

अब कार्यक्रम सिखाते समय, न केवल तस्वीरों का उपयोग किया जाता है, बल्कि वीडियो भी होते हैं, इसलिए प्रशिक्षण बहुत अधिक प्रभावी हो गया है। प्रौद्योगिकी का प्रदर्शन करने के लिए, वैज्ञानिकों ने एक प्रसिद्ध चरित्र - पूर्व अमेरिकी राष्ट्रपति बराक ओबामा को चुना है। यह एक अच्छा विकल्प है, क्योंकि इंटरनेट में इसके साथ बड़ी मात्रा में एचडी-वीडियो सामग्री है। एक न्यूरल नेटवर्क के प्रशिक्षण के लिए लाखों वीडियो फ्रेम उपलब्ध हैं।

तंत्रिका नेटवर्क ने ओबामा के चेहरे के भावों की विशेषताओं का विस्तार से अध्ययन किया है: हर आवाज पर होंठ हिलना, आंखों के पास झुर्रियों का दिखना, भौंहों का आकार बदलना और सिर का झुकाव। प्रायोगिक चरित्र की चेहरे की अभिव्यक्ति उन ध्वनियों के साथ जुड़ी हुई थी जिसका वह उच्चारण करता है: तंत्रिका नेटवर्क न केवल वीडियो के फ्रेम को संसाधित करता है, बल्कि उन्हें ऑडियो ट्रैक भी करता है।



इस प्रकार, एक कमजोर एआई ने किसी भी मनमाने भाषण के साथ चेहरे के भाव और होंठ के आंदोलनों को सिंक्रनाइज़ करना सीखा, जो शोधकर्ताओं ने तंत्रिका नेटवर्क के इनपुट को खिलाया।

वैज्ञानिक कार्यों के लिए एक टीज़र में, ओबामा के भाषणों के वास्तविक जीवन के फुटेज और एक तंत्रिका नेटवर्क द्वारा संश्लेषित परिणाम की तुलना की जाती है।


यह ध्यान दिया जाना चाहिए कि संश्लेषित परिणाम मूल से अलग-अलग होता है, लेकिन यह अभी भी बहुत यथार्थवादी दिखता है।

शोधकर्ताओं ने जोर दिया कि पहले, "डिजिटल डबल्स" प्राप्त करने के लिए, लोगों को बार-बार एक ही वाक्यांशों को कैमरों के सामने दोहराने के लिए मजबूर किया गया था ताकि वे मोर्फेम और चेहरे के भावों के सभी संयोजनों को रिकॉर्ड कर सकें। अब आप सार्वजनिक रूप से उपलब्ध वीडियो पर ऐसा कर सकते हैं। सच है, इंटरनेट पर हर व्यक्ति के पास अपने व्यक्तित्व को नकली बनाने के लिए पर्याप्त वीडियो सामग्री नहीं है, लेकिन समय के साथ, उपयोगकर्ता स्वयं अपनी तस्वीरों और वीडियो के गीगाबाइट को सोशल नेटवर्क पर अपलोड करके इस समस्या को हल करते हैं।

व्यावहारिक दृष्टिकोण से, इस तकनीक का उपयोग भी किया जा सकता है। उदाहरण के लिए, वैज्ञानिक कार्य के सह-लेखकों में से एक, इरा केमेलमाकर-श्लीज़रमैन का कहना है कि अगर वह वीडियो स्ट्रीम से बाहर आते हैं, तो वे लापता फ्रेम को संश्लेषित करके वीडियो कॉन्फ्रेंसिंग की गुणवत्ता में सुधार करेंगे। यदि ध्वनि हस्तक्षेप के बिना जाती है, और वीडियो लैग करता है, तो ऐसा संश्लेषण चित्र को पूरक करेगा या इसके रिज़ॉल्यूशन को बढ़ाएगा। निश्चित रूप से, प्रौद्योगिकी कंप्यूटर गेम और आभासी वास्तविकता में आवेदन पा सकती है यदि खिलाड़ी एक आभासी चरित्र के साथ संचार करता है। अब आभासी चरित्र का भाषण अधिक यथार्थवादी हो जाएगा, और यह किसी वास्तविक व्यक्ति की डिजिटल कॉपी हो सकती है। उदाहरण के लिए, आप कुछ ऐतिहासिक आंकड़ों को हाल ही में अपनी ऑडियो रिकॉर्डिंग द्वारा "पुनर्जीवित" कर सकते हैं। निश्चित ही, राजनीतिक उद्देश्यों के लिए फेक निर्माण की सुविधा होगी। यदि अब उन्हें "फ़ोटोशॉप" में ढाला जाता है और सामाजिक नेटवर्क में फेंक दिया जाता है , तो भविष्य में टीवी पर नकली वीडियो दिखाए जाएंगे।

लेखक स्वीकार करते हैं कि अभी तक की तकनीक सही नहीं है। उदाहरण के लिए, यदि ओबामा अपना चेहरा कैमरे से थोड़ा दूर कर देता है, तो उसके मुंह के हिस्से उसके चेहरे से अलग हो सकते हैं और पृष्ठभूमि के साथ ओवरलैप हो सकते हैं। लेकिन ये मामूली त्रुटियां हैं जिन्हें तंत्रिका नेटवर्क के अतिरिक्त प्रशिक्षण द्वारा ठीक किया जा सकता है।

निर्मित मॉडल का एक और दोष यह है कि यह भावनाओं को मॉडल नहीं करता है। चेहरे के भाव बिल्कुल तटस्थ हैं और लगभग हमेशा एक जैसे ही होते हैं। इस प्रकार, कुछ मामलों में, डिजिटल अपने यथार्थवाद को खो देता है: इसके चेहरे की अभिव्यक्ति तुच्छ शब्दों के लिए बहुत गंभीर लगती है जो इसे उच्चारित करती है। या इसके विपरीत - बहुत गंभीर भाषणों के लिए बहुत तुच्छ। हालांकि, वास्तविक जीवन में वास्तविक राजनेताओं के साथ ऐसी घटनाएं होती हैं।



बनाई गई तकनीक फेस 2 फ़ेस डिजिटल डबल्स बनाने के लिए एक कार्यक्रम पर काम करने के सिद्धांत के समान है, जहां एक व्यक्ति के चेहरे के भाव और भाषण दूसरे के चेहरे पर स्थानांतरित किए जाते हैं। अपने वैज्ञानिक कार्य में, वाशिंगटन के लेखक अपने तंत्रिका नेटवर्क के परिणामों की तुलना फेस 2फेस से करते हैं। वे बताते हैं कि फेस 2 फ़ेस के मामले में, एक वीडियो स्ट्रीम हमेशा अनुकरण करने के लिए आवश्यक होती है, और उनका मॉडल केवल ध्वनि रिकॉर्डिंग द्वारा काम करता है।