Один из подписчиков в ВК посоветовал продавать нейро-арт на NFT аукционах
Ну в общем, https://rarible.com/lambdamai
Ну в общем, https://rarible.com/lambdamai
Rarible
Rarible: NFT Marketplace
Turn your products or services into publicly tradable items
Занятие по DataScience теперь онлайн на нашем твич канале
Начинаем в 17-30
Разберем, что такое регуляризация, ее виды, зачем она нужна, а также рассмотрим еще 2 вида регрессии
Вопросы так же можно задавать в Discord
Начинаем в 17-30
Разберем, что такое регуляризация, ее виды, зачем она нужна, а также рассмотрим еще 2 вида регрессии
Вопросы так же можно задавать в Discord
💃🏼PIFuHD 2D to 3D
PIFuHD - очередная крутая штука от Facebook AI. Что она делает? Она восстанавливает 3D модель человека из 2D изображения. PIFuHD основывается на методе Pixel-Aligned Implicit Function и иерархической MLP сети. Нейросеть учитывает глобальные и локальные контексты это помогает достичь высокой точности 3D модели. PIFuHD захватывает такие детали, как пальцы, черты лица и складки на одежде человека на изображении. Предыдущие подходы не были способны на такую детализацию.
Нейронка принимает на вход изображение человека размером 1024×1024. На выходе отдает 3D модель человека. Архитектура метода состоит из двух уровней PIFu модулей:
1. Базовый уровень, который фокусируется на извлечении глобальных признаков из изображения. Этот модуль схож с PIFu;
2. Уточняющий уровень, который фокусируется на извлечении информации о локальном контексте и добавлении детализации к 3D модели
📑 Paper | 💻 Code | 🤖 Colab | 🖥 Сайт
PIFuHD - очередная крутая штука от Facebook AI. Что она делает? Она восстанавливает 3D модель человека из 2D изображения. PIFuHD основывается на методе Pixel-Aligned Implicit Function и иерархической MLP сети. Нейросеть учитывает глобальные и локальные контексты это помогает достичь высокой точности 3D модели. PIFuHD захватывает такие детали, как пальцы, черты лица и складки на одежде человека на изображении. Предыдущие подходы не были способны на такую детализацию.
Нейронка принимает на вход изображение человека размером 1024×1024. На выходе отдает 3D модель человека. Архитектура метода состоит из двух уровней PIFu модулей:
1. Базовый уровень, который фокусируется на извлечении глобальных признаков из изображения. Этот модуль схож с PIFu;
2. Уточняющий уровень, который фокусируется на извлечении информации о локальном контексте и добавлении детализации к 3D модели
📑 Paper | 💻 Code | 🤖 Colab | 🖥 Сайт
👨🎨TargetCLIP
Офигительнейшая тема, с которой я проорал.
Команда из таки кашерного университета Израиля (Tel Aviv University), придумали оч крутую тему для переноса сущности с помощью CLIP.
Что они сделали?. Они пытаются смешать два скрытых пространства, пространство генератора (StyleGAN) и семантическое пространство (CLIP). Исходное (source) через StyleGAN переводят в пространство StyleGAN и потом при помощи CLIP переводят целевое (target) к тому же векторному пространству. А для смешивания этих двух пространств создали новый "оператор смешивания", который оптимизирован для смешивания оба скрытых пространства. Получаются очень
📑 Paper | 💻 Code | 🤖 Colab
Офигительнейшая тема, с которой я проорал.
Команда из таки кашерного университета Израиля (Tel Aviv University), придумали оч крутую тему для переноса сущности с помощью CLIP.
Что они сделали?. Они пытаются смешать два скрытых пространства, пространство генератора (StyleGAN) и семантическое пространство (CLIP). Исходное (source) через StyleGAN переводят в пространство StyleGAN и потом при помощи CLIP переводят целевое (target) к тому же векторному пространству. А для смешивания этих двух пространств создали новый "оператор смешивания", который оптимизирован для смешивания оба скрытых пространства. Получаются очень
📑 Paper | 💻 Code | 🤖 Colab
This media is not supported in your browser
VIEW IN TELEGRAM
🧿 Meta.com = Facebook + Messenger + Instagram + WhatsApp + Oculus
🧙♀️SimSwap
DeepFake по одному снимку (one-shot).
По сути, это обычный encoder-decoder, но с прикольной начинкой внутри. В отличии от таких либ как DeepFaceLab где нужно было вручную размечать лица, потом самостоятельно обучать несколько недель, SimSwap работает на одном изображении за счет встроенного между encoder и decoder IIM (ID Injection Module). Этот модуль передает идентификационную информацию исходного лица в целевое лицо(target) на уровне признаков. Используя этот модуль, он расширяет архитектуру алгоритма смены лица, зависящего от идентичности, до структуры для произвольной смены лица. С помощью IIM, данный метод отлично подстраивается под лица в соответствии и исходными эмоциями.
📑 Paper | 💻 Code | 🤖 Colab
DeepFake по одному снимку (one-shot).
По сути, это обычный encoder-decoder, но с прикольной начинкой внутри. В отличии от таких либ как DeepFaceLab где нужно было вручную размечать лица, потом самостоятельно обучать несколько недель, SimSwap работает на одном изображении за счет встроенного между encoder и decoder IIM (ID Injection Module). Этот модуль передает идентификационную информацию исходного лица в целевое лицо(target) на уровне признаков. Используя этот модуль, он расширяет архитектуру алгоритма смены лица, зависящего от идентичности, до структуры для произвольной смены лица. С помощью IIM, данный метод отлично подстраивается под лица в соответствии и исходными эмоциями.
📑 Paper | 💻 Code | 🤖 Colab
GitHub
GitHub - neuralchen/SimSwap: An arbitrary face-swapping framework on images and videos with one single trained model!
An arbitrary face-swapping framework on images and videos with one single trained model! - neuralchen/SimSwap
Как можно заметить по примерам, мне было лень делать deepfake только по одному персонажу, поэтому я тупо сделал по всем лицам что есть в кадре, но мне кажется что от этого стало только интереснее.
Вчера новость о ruDALL-E бобманула по всем новостям.
Я уже писал про DALL-E.
Вкратце, чо произошло.Наш любимый Сбер выложил, в открытый доступ две обученные модели ruDALL-E и ruCLIP в открытый доступ, но самое прикольное, что выложили XL и XXL ruDALL-E версию.
Пример по запросу: Очень красивая собака
ТГ бот: @sber_rudalle_xl_bot тут ждать от 60 минут
Сайтец тут ждать от 30 минут
🤖 Colab а тут зависит от подписки, если ее нет то ждать от 1-2 часов
Я уже писал про DALL-E.
Вкратце, чо произошло.
Пример по запросу: Очень красивая собака
ТГ бот: @sber_rudalle_xl_bot тут ждать от 60 минут
Сайтец тут ждать от 30 минут
🤖 Colab а тут зависит от подписки, если ее нет то ждать от 1-2 часов