من ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه میکنم. متن کامل مقالات رو میتونین به صورت ترجمه شده از لینکی که در پایین پست قرار میگیره بخونین
چهرههای ساختهشده توسط هوش مصنوعی واقعیتر و قابلاعتمادتر از چهرههای واقعی

منتشر شده در analyticsinsight به تاریخ ۲۱ مارس ۲۰۲۲
لینک منبع AI-synthesized Faces: Indistinguishable and More Trustworthy
هوش مصنوعی (هوش مصنوعی)-- تولید ترکیبی از صدا، تصویر و ویدیو-- که به اصطلاح «جعلیهای عمیق» نامیده میشوند-- دسترسی به فنآوری جلوههای ویژه و منحصر به فرد هالیوود سابق را عمومی کردهاست. از ترکیب گفتار در صدای هر کسی گرفته تا ترکیب تصویری از یک فرد خیالی و تعویض هویت یک فرد با فرد دیگر یا تغییر آنچه در یک ویدیو می گویند، چهره های ترکیب شده با هوش مصنوعی سرگرم کننده اما فریبدهنده هستند.
شبکههای مولد تخاصمی (GAN) مکانیسمهای محبوبی برای ترکیب محتوا هستند. یک شبکه عصبی GAN دو شبکه عصبی - یک ژنراتور و یک متمایزکننده - را در مقابل یکدیگر قرار میدهد. برای ترکیب یک تصویر از یک شخص تخیلی، ژنراتور با یک آرایه تصادفی از پیکسلها شروع میکند و مکررا یاد میگیرد که یک چهره واقعگرایانه را ترکیب کند. در هر تکرار، تفکیککننده یاد میگیرد که صورت سنتز شده را از مجموعهای از چهرههای واقعی تشخیص دهد؛ اگر چهره سنتز شده از چهرههای واقعی قابلتشخیص باشد، آن گاه تفکیککننده، ژنراتور را جریمه میکند. در طی چندین تکرار، مولد یاد میگیرد که چهرههای واقعیتر را بهطور فزایندهای ترکیب کند تا زمانی که تفکیککننده نتواند آنها را از چهرههای واقعی متمایز کند.
ترس از جعلهای عمیق
پس از سه آزمایش جداگانه، محققان دریافتند که چهرههای سنتز شده با هوش مصنوعی به طور متوسط 7.7 درصد قابل اعتمادتر از میانگین امتیاز برای چهرههای واقعی هستند. آنها اضافه میکنند که این «از نظر آماری قابلتوجه» است. بنا به گزارش مجله New Scientist، سه چهرهای که بیش از همه قابلاعتماد بودند جعلی بودند، در حالی که چهار چهرهای که بیش از همه غیرقابل اعتماد بودند واقعی بودند.
هوش مصنوعی چهرههایی که ما دوست داریم را یاد میگیرد
چهرههای جعلی با استفاده از شبکههای متخاصم (GAN) ایجاد شدهاند، برنامههای هوش مصنوعی که یاد میگیرند چهرههای واقعی را از طریق فرآیند آزمون و خطا ایجاد کنند. این مطالعه نشان میدهد که چهرههای سنتز شده با هوش مصنوعی از چهرههای واقعی قابل تشخیص نیستند و قابل اعتمادتر هستند، در مجله مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا (PNAS) منتشر شده است. توصیه میکند اقدامات حفاظتی اعمال شود، که میتواند شامل گنجاندن «واترمارکهای قوی» در تصویر برای محافظت از عموم مردم در برابر جعلیهای عمیق باشد. محققان میگویند که دستورالعملهای ایجاد و توزیع تصاویر سنتز شده نیز باید «دستورالعملهای اخلاقی برای محققان، ناشران، و توزیعکنندگان رسانه» را در خود جای دهند.
این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه میتواند دارای برخی اشکالات ترجمه باشد.
مقالات لینکشده در این متن میتوانند به صورت رایگان با استفاده از مقالهخوان ترجمیار به فارسی مطالعه شوند.
مطلبی دیگر از این انتشارات
رابط مغز و کامپیوتر برای اعطای یک زندگی عادی به افراد فلج
مطلبی دیگر از این انتشارات
۵ زبان برنامهنویسی برتر که در سال ۲۰۲۲ در هلثتک مورد استفاده قرار گرفت
مطلبی دیگر از این انتشارات
ظرفیت ذخیرهسازی عمده در باتریهای بر پایه آب پیدا شد!