Le réseau de neurones apprend à vieillir synthétiquement les visages et à les rendre plus jeunes aussi

Notre façon de vieillir est profondément fascinante. En effet, savoir à quoi ressembleront nos visages dans 20, 30 ou 40 ans est une astuce que beaucoup trouveraient captivante.

Il existe un certain nombre de techniques qui permettent de le faire. Mais ils sont chronophages et donc coûteux. Donc, un moyen bon marché et rapide de vieillir les visages sur les photos serait une astuce pratique.

Entrez Grigory Antipov d'Orange Labs en France et quelques amis qui ont développé une machine d'apprentissage en profondeur qui peut faire le travail facilement. Non seulement leur système peut faire paraître les jeunes visages plus âgés, mais il peut également rajeunir les visages plus âgés.

Quelques développements récents ont facilité leur tâche. Ces dernières années, les informaticiens ont construit des machines d'apprentissage en profondeur capables de modifier les visages de différentes manières mais réalistes. Cette approche peut créer des visages synthétiques réalistes qui semblent plus anciens.

Cependant, il y a un problème. En rendant les visages plus vieux, ces machines d'apprentissage en profondeur perdent souvent l'identité de la personne dans le processus. Ainsi, l'individu semble plus âgé mais ne peut plus être identifié.

Antipov et co ont trouvé un moyen de résoudre ce problème. Leur approche implique deux machines d'apprentissage en profondeur qui fonctionnent ensemble : un générateur de visage et un discriminateur de visage. Les deux machines apprennent à quoi ressemblent les visages à mesure qu'ils vieillissent en analysant des photographies de personnes dans les tranches d'âge 0-18, 19-29, 30-39, 40-49, 50-59 et 60 ans et plus.

Au total, les machines ont été formées sur 5 000 visages de chaque groupe extraits de la base de données de films Internet et de Wikipedia, puis étiquetés avec l'âge de la personne. De cette manière, la machine apprend la signature caractéristique des visages de chaque tranche d'âge. C'est cette signature abstraite que le générateur de visages peut ensuite appliquer à d'autres visages pour leur donner le même âge.

Cependant, l'application de cette signature peut parfois entraîner la perte de l'identité d'une personne. Ainsi, la deuxième machine d'apprentissage en profondeur - le discriminateur de visage - examine le visage synthétiquement vieilli pour voir si l'identité d'origine peut encore être identifiée. Si ce n'est pas le cas, l'image est rejetée.

Antipov et co appellent leur processus Age Conditional Generative Adversarial Network - adversaire parce que les machines d'apprentissage en profondeur fonctionnent en opposition.

Les résultats rendent la lecture impressionnante. L'équipe a appliqué la technique à 10 000 visages de la base de données IMDB-Wikipedia qu'ils n'avaient pas utilisés pour la formation. Ils ont ensuite testé les images avant et après à l'aide d'un logiciel appelé OpenFace qui peut dire si deux images montrent la même personne ou non. Cela a repéré le même visage plus de 80% du temps, contre environ 50% du temps pour les autres techniques de vieillissement du visage.

Et, bien sûr, la technique vieillit non seulement les jeunes visages, mais crée également des versions plus jeunes des visages plus âgés.

Il y a un test évident que l'équipe n'a pas fait. Vraisemblablement, il est possible de comparer des visages qui ont été rajeunis synthétiquement avec des photos du même visage prises lorsque l'individu était en fait plus jeune. Ce serait un bon test de la précision de la technique et peut-être une tâche pour l'avenir.

Antipov et co affirment que leur technique pourrait être utilisée dans des applications telles que l'identification de personnes portées disparues depuis de nombreuses années. Il pourrait également être très amusant de jouer avec, s'ils choisissent de rendre leur algorithme public.

Réf : arxiv.org/abs/1702.01983 : Faire face au vieillissement avec les réseaux antagonistes génératifs conditionnels

cacher