בינה: זאת כבר לא שאלה של פרזנטציה העולם נפרש לפנינו ב־העדר כל צורך ב־ייצוג
מתוך NolliGAN, בן דרוסינסקי

NolliGAN

– בן דרוסינסקי

מפת ה־Nolli היא אחד הכלים החשובים ביותר בארכיטקטורה ועיצוב אורבני. דיאגרמת קרקע מורכבת זו הייתה הראשונה שהציגה את מושג המרחב הציבורי והפרטי במדידות ובמיפוי. טכניקה זו הייתה בשימוש נרחב בארכיטקטורה ובתכנון ערים מאז ש־Giambattista Nolli מונה על ידי האפיפיור בנדיקטוס ה־14 בשנת 1736 לצייר מפה מדויקת של רומא. הייחוד המאפיין את מפת ה־Nolli מבחינה אסטטית עיצובית וככלי מיפוי הוא אופן הייצוג של החלל. במפת ה־Nolli קיים חלל בו יש לאנשים אפשרות להיכנס ולשהות ולעומת חלל בו שהייתם אסורה. המרקם העירוני המשתקף מהמפה, מורכב ממסת בנייה ומרחבים משותפים הכוללים חצרות ומרחבים פנימיים של כנסיות. מרחבים ציבוריים המופיעים במפת ה־Nolli הם עדות רציפה יחידה שאורגת יחדיו את ההיסטוריה של התכנון העירוני והחברתי.

במרכז יצירה זאת טמון מודל גנרטיבי שהוזה את רומא במאה ה־18. מודל זה אומן על מערכת נתונים שנבנתה מסריקות ברזולוציות גבוהות של שניים עשר הלוחות המקוריים של מפת ה־Nolli. דרך מניפולציות של הסקת מסקנות וטכניקות אינטרפולציה של מגוון ההזיות של המודל הגנרטיבי ניתן ליצור מרקם עירוני. ההזיות הללו מנותחות על ידי מכונה ללימוד מודלים לזיהוי אובייקטים.

כיום, מודל זה של זיהוי אובייקטים, המשמש לעיתים קרובות לזיהוי פנים ומעקב, הוא כלי לפענוח ההזיות והפרשנות הגנרטיבית החדשה של רומא מהמאה ה־18. איך מודל גנרטיבי יפרש ויפענח את השכפול של החיים האורבניים? האם יוכל מודל גנרטיבי להבחין בין כנסייה לכיכר? ואיך אנחנו יכולים להשתמש במכונה, ההוזה תמידית, ליצור כלים לעיצוב?

NolliGAN לומד בשכבות של דאטה. שכבה אחת של תת המודע מתעוותת ומסתובבת בזמן שהאלגוריתם מנסה למפות דרך בין נקודות בתת המודע שלו בזמן שחלק מהנקודות משנות את מיקומן.
תוצאות שוטטות בין נקודות בתת המודע ב־StyleGAN3, הדומה לאלגוריתם המרכזי אבל שלומד בצורה אחרת. באלגוריתם זה, המעבר בין נקודה לנקודה בתת המודע של האלגוריתם נעשת בקפיצות חדות ומהירות יותר.
NolliGAN לומד באמצעות סט אימג׳ים שאורגן, נערך ונאצר במיוחד בשבילו. כשהאלגוריתם משוטט בין נקודות בתת המודע שלו, יש עליו מגבלה לדמיון לסט האימון המקורי. בעבודה זו, ההגבלות על דימיון לסט המקורי של מפת נולי הוסרו. NolliGAN מטייל בין נקודות נבחרות בתת המודע, אך במעבר בין כל נקודה לנקודה האלגוריתם מתרחק יותר ויותר מהסט המקורי לפי ערך שהוזן מראש. אלגוריתם הזיהוי לא מודע לשינוי ביחס לסט המקורי שגם הוא אומן עליו, וממשיך לנסות לפענח את המפה.
NolliGAN עובר בין נקודות נבחרות בתת המודע שלו. האלגוריתם מחפש ומוצא את הנקודות המחברות בין נקודה לנקודה ועובר ביניהן בצורה החלקה ביותר. בו זמנית אלגוריתם הזיהוי עובר את אותה הדרך, ומפענח את נקודות המחשבה.

קרדיטים:
‮⚪ ‮‬StyleGAN2-ADA-PyTorch Karras‭, ‬T‭., ‬Aittala‭, ‬M‭., ‬Hellsten‭, ‬J‭., ‬Laine‭, ‬S‭., ‬Lehtinen‭, ‬J‭., ‬&‭ ‬Aila‭, ‬T‭. (‬2020‭). ‬Training Generative Adversarial Networks with Limited Data‭.‬
‮⚪ ‬‭ ‬StyleGAN3‭ ‬Karras‭, ‬T‭., ‬Aittala‭, ‬M‭., ‬Laine‭, ‬S‭., ‬Härkönen‭, ‬E‭., ‬Hellsten‭, ‬J‭., ‬Lehtinen‭, ‬J‭., ‬&‭ ‬Aila‭, ‬T‭. (‬2021‭). ‬Alias-Free Generative Adversarial Networks‭. ‬Proc‭. ‬NeurIPS‭.‬
‮‮⚪ ‬YOLOv4‭ ‬Redmon‭, ‬J‭., ‬Divvala‭, ‬S‭. ‬K‭., ‬Girshick‭, ‬R‭. ‬B‭., ‬&‭ ‬Farhadi‭, ‬A‭. (‬2016‭). ‬You Only Look Once‭: ‬Unified‭, ‬Real-Time Object Detection‭. ‬2016‭ ‬IEEE Conference on Computer Vision and Pattern Recognition‭ (‬CVPR‭), ‬779‮–‬788‭.‬

בן דרוסינסקי

בן הוא אדריכל, מעצב וצלם. מתגורר בירושלים.