Des images hyper-réalistes créées de toute pièce
Les images créées par l'intelligence artificielle, également connues sous le nom de "deepfakes" ou d'"hypertrucages", ont commencé à se développer auprès du grand public en 2017. C'est à cette époque que des progrès significatifs ont été réalisés dans le domaine de l'apprentissage automatique.
Depuis, de nombreux sites permettent de générer des images qui peuvent ressembler à des photographies réelles, mais ont été composées intégralement par des logiciels d'intelligence artificielle.
Ces images sont générées aléatoirement à partir de phrases descriptives que l'on appelle des "prompts".
Un enjeu aujourd'hui est de différencier les "vraies" images, traitées ou légèrement retouchées, de celles qui ne reposent pas sur une véritable capture d'image.
Exemple d'image créée par Midjourney
Le "prompt" ayant permis de générer cette image avec le logiciel Midjourney est le suivant :
"Experiment with double exposures on a Fujifilm X-T4, capturing both the carousel and the surrounding park scenery in a single image, using a 35mm lens for a wider perspective. Play with different exposure settings and shutter speeds to create a dynamic and surreal composition. –q 2 –s 750 –v 5"
(expérience de double exposition sur un Fujifilm X-T4, en capturant à la fois le carrousel et le paysage environnant du parc en une seule image, en utilisant un objectif de 35 mm pour une perspective plus large. Jouer avec différents paramètres d'exposition et vitesses d'obturation pour créer une composition dynamique et surréaliste.)
Réseaux antagonistes génératifs - Article
Réseaux antagonistes génératifs
Image générée par le réseau antagoniste génératif StyleGAN, à partir d'une analyse de portraits.
En intelligence artificielle, lesréseaux antagonistes génératifs (RAG) parfois aussi appelésréseaux adverses génératifs (en anglaisgenerative adversarial networks ouGANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par Goodfellowet al. 2014. Ils permettent de générer des images avec un fort degré de réalisme.
Un GAN est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex. une image), tandis que son adversaire, le discriminateur, essaie de détecter si un échantillon est réel ou bien s'il est le résultat du générateur. Ainsi, le générateur est entrainé avec comme but de tromper le discriminateur. L'apprentissage peut être modélisé comme un jeu à somme nulle.
L'apprentissage de ces réseaux est difficile en pratique, avec des problèmes importants de non convergence.