DeepFakeLab

مرحبًا بك في DeepFakeLab، مستودعك المفضل لاستكشاف عالم معالجة الصور المثير من خلال النماذج التوليدية المتقدمة.

⚡ نظرة عامة

تم تصميم DeepFakeLab لتمكين المستخدمين من دمج الميزات في الصور بسلاسة، والاستفادة من أحدث التقنيات التوليدية. سواء كنت مهتمًا بتعزيز تعبيرات الوجه، أو تجربة التخصيص الإبداعي، أو الغوص في الاستكشاف التعليمي في رؤية الكمبيوتر، فإن هذا المستودع يغطي احتياجاتك.

العرض التوليدي

؟ خلق ميزة المتجهات

هنا، سوف نقوم بحساب متجه حول السمة التي نريد إدراجها. في هذا، نحسب سمة المتجه الأصلع وسنقوم بإدراجها في صور أخرى. الرياضيات حول هذه الخدعة بسيطة للغاية! أولاً، حدد مجموعتك الفرعية باستخدام True لميزتك C، وبعبارة أخرى:

$$mathcal{A} _ {[C==1]} = lbrace phi(x) | x_c == 1 rbrace$$

أين $phi(x) = z in mathbb{R}^{32}$ (جهاز التشفير لجهاز التشفير التلقائي الخاص بي). ونفس الفكرة بالنسبة للحالات التي تكون فيها لغة C خاطئة:

$$mathcal{B}_{[C==0]} = lbrace phi(x) | x_c == 0 rbrace$$

في هذا السياق، سنقوم بأخذ عينة من إحدى المجموعات الفرعية لتحويل هذه الجملة إلى حقيقة:

$$ | mathcal{أ} | سيم | mathcal{B} | $$

ثم نحسب اثنين من النقط الوسطى لكل مجموعة فرعية:

$$ Cm_{A} = frac{sum_{x in mathcal{A}} phi(x)}{n(mathcal{A})} $$

$$ Cm_{B} = frac{sum_{x in mathcal{B}} phi(x)}{n(mathcal{B})} $$

أخيرًا، يمكننا استخراج سمة المتجه:

$$vec v = vec Cm_{A} - vec Cm_{B}$$

؟ ميزة الإدراج

في هذا السياق، لدينا بالفعل ميزة متجهة (رائع!)، لذا يمكننا دمج هذه الميزة باستخدام عملية رياضية بسيطة:

$$FakeImage = psi(phi(x) + sum_{i} t_i cdot vec v_i)$$

أين $x في B$ , $t in mathbb{R}$ و $psi$ هو فك!

الميزات الرئيسية

تكامل الميزات: أدخل مجموعة متنوعة من الميزات في الصور باستخدام نماذج توليدية متقدمة.
الاستكشاف الإبداعي: استكشف الإمكانيات الإبداعية للتعبير الفني والتصميم والترفيه.
التطبيقات: تفضل ولا تتردد في استكشاف تطبيق جديد. على سبيل المثال، يمكنك استخدام هذه التقنية لإنشاء مثيلات جديدة و

معمارية الشبكات العصبية

في الأساس، سوف نستخدم أجهزة التشفير التلقائي المتغيرة التلافيفية (VAE)، وشبكات الخصومة التوليدية (GAN)، ونماذج الانتشار (DM).

نحن نستكشف وظائف فقدان مساعدة أخرى باستخدام مرشحات سوبل لالتقاط ميزة التردد العالي من الصور!

$$L_{sobel} = gamma cdot |f(I) - f(psi(phi(I)))|$$

أين $f(I) = sqrt{(G_x ast I)^{2} + (G_y ast I)^{2}}$ ، و $غاما في mathbb{R}$ .

لذلك، إذا استخدمنا بنية VAE، فإن خسارتنا ستكون:

$$mathcal{L} = L_{إعادة الإعمار} + text{DKL} + gamma cdot L_{sobel}$$

$$mathcal{L} = |I - psi(phi(I))|^{2} -frac{1}{2} sum_{i=1}^{N} left(1 + log(sigma_i^2) - mu_i^2 - sigma_i^2right) + gamma cdot |f(I) - f(psi(phi(I)))|$$

$$mathcal{L} = |I - psi(phi(I))|^{2} + mathbb{E}_{phi(z | x)} left[ log frac{ phi(z | x)}{psi(z)} right] + gamma cdot |f(I) - f(psi(phi(I)))|$$

(لا يزال GAN وDM قيد الإنشاء... ⌛)

التحولات بين مثيلات متعددة

في هذا السياق، سوف نستخدم خدعة بسيطة لإنشاء انتقال بين حالتين. الفكرة بسيطة:

حساب ترميز المتجه لكل مثيل: $فاي(x_1)$ و $فاي(x_2)$
قم بإنشاء مسافة خطية بين هذين المتجهين: $mathcal{L} = lbrace phi(x_1) + alpha cdot (phi(x_2) - phi(x_1)) | alpha in [0, 1] rbrace$
اختر مجموعة فرعية من $mathcal{L}$ ، يُشار إليه بـ $mathcal{L} {sub}$ ويُدرج في وحدة فك الترميز: $psi(mathcal{L} {sub})$
أخيرًا، سيكون لدينا انتقال بين حالتين (أو أكثر)!

❓ كيفية الاستخدام

استكشف إمكانيات DeepFakeLab باتباع البرامج التعليمية المتوفرة في دفاتر الملاحظات. ساهم في المجتمع من خلال مشاركة أفكارك أو تحسيناتك أو مشاريعك الإبداعية.

؟ المساهمات

يتم تشجيع مساهمات المجتمع بشدة. سواء كنت تقوم بإصلاح الأخطاء، أو إضافة ميزات جديدة، أو تحسين الميزات الموجودة، فإن مدخلاتك ذات قيمة في جعل DeepFakeLab أداة قوية ومتعددة الاستخدامات لمعالجة الصور.

؟ تنصل

هذا المستودع مخصص للأغراض التعليمية والإبداعية. يتم تذكير المستخدمين بمراعاة الإرشادات الأخلاقية والآثار القانونية عند استخدام DeepFakeLab. المشرفون ليسوا مسؤولين عن أي سوء استخدام أو عواقب غير مقصودة.