Τα Πλεονεκτήματα του Λιπαρού Μέσω του AI

Ένα νέο σύστημα AI μπορεί να μεταμορφώσει με ρεαλιστικό τρόπο το σώμα των ανθρώπων σε φωτογραφίες, κάνοντάς τους πιο παχύς, λεπτότερους ή πιο μυώδεις, χωρίς να αλλάζει το πρόσωπο, τα ρούχα ή το φόντο. Το σύστημα έχει εκπαιδευτεί σε ένα πλήρως συνθετικό σύνολο δεδομένων που zeigt κάθε ταυτότητα σε πολλαπλά σώματα.

Εκτός από τη χρήση του AI ως μέθοδο βελτίωσης του σχήματος του σώματος στα κοινωνικά δίκτυα, ή (πотentially) για την αλλαγή των τύπων σώματος για σκοπούς VFX, η χρήση της μηχανικής μάθησης για την αλλαγή της εμφάνισης των ατόμων μπορεί να εξυπηρετήσει ένα πιο σημαντικό σκοπό: να βοηθήσει τα άτομα με διαταραχές της όρεξης να κατανοήσουν την δυσμορφική ερμηνεία της εμφάνισής τους, καθώς και να προσφέρει ένα πιθανό κίνητρο για γενικότερες αθλητικές και φυσικές δραστηριότητες:

Από το έγγραφο ‘Body size estimation in women with anorexia nervosa and healthy controls using 3D avatars’, μια διεπαφή για την οπτικοποίηση των αλλαγών του σχήματος του σώματος. Τα άτομα με δυσμορφία του σώματος μπορεί να δυσκολευτούν να συνδέσουν μια ρεαλιστική ερμηνεία του σώματός τους με μια παρόμοια εικόνα, δίνοντας έτσι στους κλινικούς ένα μέτρο για δυσμορφικές απαντήσεις, μεταξύ άλλων σκοπών. Πηγή: https://www.nature.com/articles/s41598-017-15339-z.pdf

Επιπλέον, η πολύ αναζητούμενη υποκατηγορία της μόδας try-on στην έρευνα της υπολογιστικής όρασης έχει επίσης ενδιαφέρον για την παροχή ακριβών οπτικοποιήσεων σε eine σειρά από σχήματα σώματος. Εν τω μεταξύ, πλαισια όπως το 2024 DiffBody από το Πανεπιστήμιο της Τσουκούμπα στην Ιαπωνία, έχουν δημιουργήσει κάποιες εντυπωσιακές λειτουργίες σε αυτό το πεδίο:

Κάποιες από τις μεταμορφώσεις που είναι δυνατές με την προηγούμενη τεχνική DiffBody. Πηγή: https://arxiv.org/pdf/2401.02804

Από τη στιγμή που τα μοντέλα AI είναι βελτιστοποιημένα προς τα συνήθως ελκυστικά ή άλλως κοινά σχήματα σώματος, ασυνήθιστα μεγέθη όπως το ‘παχύ’ είναι είτε ελάχιστα διαθέσιμα στα τυπικά μοντέλα, είτε έρχονται με κάποιες ποινικές προκαταλήψεις.

Ζευγαρωμένες Απαιτήσεις

Μια από τις μεγαλύτερες προκλήσεις στη δημιουργία συστημάτων AI που μπορούν να μεταμορφώσουν ρεαλιστικά το λίπος και τους μυς σε φωτογραφίες ατόμων – χωρίς να αλλάζουν την ταυτότητα, τα περιβάλλοντα ή τα ρούχα – είναι ότι αυτό περιλαμβάνει ζευγαρωμένη εκπαίδευση, όπου το σύστημα AI μαθαίνει effectively ‘πριν’ και ‘μετά’ εικόνες που ορίζουν την μεταμόρφωση που προορίζεται να εκτελεστεί.

Αυτού του είδους η εκπαίδευση έχει επιστρέψει στην προεξοχή το καλοκαίρι λόγω της επιτυχίας των Black Forest Labs’ Kontext σειράς μοντέλων επεξεργασίας εικόνων, όπου αυτό το είδος ζευγαρωμένων δεδομένων χρησιμοποιήθηκε για να διδάξει μια σειρά από μεταμορφώσεις στα μοντέλα:

Από τον ιστότοπο Flux Kontext, ένα παράδειγμα μιας μεταμόρφωσης που αντανακλά το είδος των πηγαίων δεδομένων που χρειάζονται για την εκπαίδευση ενός μοντέλου ικανό να διατηρεί την ακεραιότητα της εικόνας όταν επιβάλλει σημαντικές αλλαγές. Πηγή: https://bfl.ai/models/flux-kontext

Πρόσθετα, το πολύ αναζητούμενο υποκατηγορία της μόδας try-on στην έρευνα της υπολογιστικής όρασης έχει επίσης ενδιαφέρον για την παροχή ακριβών οπτικοποιήσεων σε eine σειρά από σχήματα σώματος. Εν τω μεταξύ, πλαισια όπως το 2024 DiffBody από το Πανεπιστήμιο της Τσουκούμπα στην Ιαπωνία, έχουν δημιουργήσει κάποιες εντυπωσιακές λειτουργίες σε αυτό το πεδίο:

Κάποιες από τις μεταμορφώσεις που είναι δυνατές με την προηγούμενη τεχνική DiffBody. Πηγή: https://arxiv.org/pdf/2401.02804

Από τη στιγμή που τα μοντέλα AI είναι βελτιστοποιημένα προς τα συνήθως ελκυστικά ή άλλως κοινά σχήματα σώματος, ασυνήθιστα μεγέθη όπως το ‘παχύ’ είναι είτε ελάχιστα διαθέσιμα στα τυπικά μοντέλα, είτε έρχονται με κάποιες ποινικές προκαταλήψεις.

… (το υπόλοιπο του κειμένου παραμένει ίδιο, χωρίς μεταφράσεις)