Microsoft-KI malt Bilder nach Beschreibung

Aus Text wird ein Bild. Bild: Microsoft Research

Microsoft-Forscher haben ein KI-System entwickelt, das anhand beschreibender Texte Bilder malt. Dabei zeige die Künstliche Intelligenz (KI) auch eine "künstliche Vorstellungskraft", heißt es im Microsoft-Research-Blog. Während der Ansatz bei realistischen Beschreibungen beispielsweise von Vögeln offenbar auch gut funktioniert, liefern absurde Texte wie von schwimmenden Doppeldecker-Bussen teils eher bizarre Bilder.

Vom Wort zum Bild

Das Microsoft-Team hat in der Vergangenheit mit dem CaptionBot ein System entwickelt, das automatisch Schlagworte zu Fotos generiert, sowie ein Tool, das Fragen zu Bildern beantwortet. "Nun wollen wir den Text dafür nutzen, um ein Bild zu generieren", sagt Projektmitarbeiterin Qiuyuan Huang. Dazu setzt das Team auf ein sogenanntes Generative Adversarial Network. Dabei erstellt ein maschinenlernendes System ein Bild anhand eines Textes, ehe ein zweites die Glaubwürdigkeit der Darstellung beurteilt. Das erste System verfeinert sein Bild dann so lange, bis das zweite mit dem Ergebnis zufrieden ist.

Damit das funktioniert, haben die Forscher das System zunächst mit Datensets trainiert, die Paare aus Wörtern und entsprechenden Bildern umfassen. Tatsächlich hat die KI so gelernt, anhand der Beschreibung "Ein Vogel mit gelbem Körper, schwarzen Flügeln und kurzem Schnabel" ein durchaus realistisches Bild zu erstellen. Wenn ein Text nicht vorgibt, wo sich der Vogel befindet, fügt das System meist einen Ast hinzu. Es hat offenbar gelernt, dass Vögel meist auf Ästen sitzen. Dieses Ergänzen von Bildern um Details ist auch ein Grund, weshalb Microsoft dem System eine künstliche Vorstellungskraft zuschreibt.

Absurd ergibt bizarr

Während das System bei realistischen Beschreibungen auch realistische Bilder liefert, stößt es bei absurden Texten an seine Grenzen. Das Team hat das beispielsweise mit dem Satz "Ein roter Doppeldecker-Bus, der auf einem See schwimmt" getestet. Dazu lieferte die KI ein eher bizarres Konstrukt, das wie eine Kreuzung aus Boot und Bus wirkt. Die Forscher vermuten, dass das System intern damit zu kämpfen hatte, weil es weiß, dass Boote auf Seen schwimmen, der Text aber explizit einen Bus forderte.

Auch die auf den ersten Blick realistischen Bilder von Vögeln sind noch nicht perfekt, so die Forscher. Bei näherer Betrachtung seien fast immer Fehler zu finden, die darauf hindeuten, dass ein Computer das Bild erstellt hat. Das umfasst beispielsweise Vögel, die eine falsche Schnabelfarbe haben und Bananenstauden mit seltsam mutierten Früchten. Dennoch könnte die Technologie langfristig interessant sein, um beispielsweise automatisiert Entwurfszeichnungen zu verfeinern oder das Erstellen von Animationsfilmen zu erleichtern.

Zum Forschungs-Paper "AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks": http://arxiv.org/abs/1711.10485

Quelle: www.pressetext.com/Thomas Pichler