利用AI生成准确的气候变化图片
2019年10月24日 由 TGS 发表
323338
0
生成式人工智能模型可以合成人脸、公寓、蝴蝶等各种事物,最近,一位教授建立了一个新的人工智能生成模型子类别,想要通过阐明灾难性洪水的后果来唤起人们对气候变化的重视。
为了量化这些合成气候变化图像的准确性,蒙特利尔大学和斯坦福大学的研究人员最近在一篇预印本论文中详细介绍了“几种”评估方法。在文章中他们表示,虽然他们的工作还处于初级阶段,但已经开始弥合自动化和生成量化之间的鸿沟。
这项研究由图灵奖获得者和蒙特利尔大学教授Yoshua Bengio共同完成。Yoshua Bengio教授是第一个将神经网络与序列的概率模型相结合的人,在近20年前发表的一篇论文中,他引入了词嵌入Word embeddings概念,这是一种语言建模和特征学习范式,在这种范式中,词汇表中的单词短语可以被映射到实数向量上,对机器翻译、图像生成、音频合成等领域做出了极大贡献。
“从历史上看,气候变化很难调动集体行动的原因是,人们心理上很难模拟气候变化的影响,所以通常会认为这是遥远的问题。”论文中写道,“气候传播的文献已经断言,有效的传播产生于情感丰富的信息,这些信息与传统的专家传播形式相比具有个人相关性,其中又以可视化的图像最容易提高人们的重视程度。”
研究人员指出,现有的生成气候变化图像评估方法有很强的局限性,因为它们与人类判断的相关性太低。因此,他们提出了一个替代方案,该方案由志愿者参与,志愿者的任务是根据不同地点和建筑类型(房屋、农场、街道、城市)的输入图像,评估从模型中得出的图像样式组合,每种图像样式都有十几种AI生成模式。评价者在真实图像和半生成图像之间进行选择,研究人员计算平均错误率,借此反映出评价者判断图像为真实的比例,值越高表示图像越真实。
团队总共评估了8种不同的自动化方法,他们报告说:最好用的嵌入模式,来自Frechet起始距离的AI模型中间层——Frechet起始距离是一种度量方法,从目标分布和被评估的模型中获取照片,并使用对象识别系统找出重要特征之间的相似性。
论文的最后写道:“这项工作的最终目标是创建一个Ml架构,该架构能够生成由气候变化引起的极端天气现象的最真实图像。我们将继续努力,不断增强图片真实性,并扩大支持生成的气候变化类别。”