Diese Arbeit erforscht mittels einer Rückkopplungsschleife zwischen mehreren generativen adversarialen neuronalen Netzen (GANs) wie Fehler zu Inhalten mit Bedeutung transformiert werden und durch diesen Prozess gleichzeitig Tendenzen in den Trainingsdaten an die Oberfläche kommen.
Drei GANs und eine Kamera bilden eine geschlossene Kette innerhalb derer die Modelle gegenseitig ihre Ein- und Ausgaben hineininterpretieren und umformen. Jedes Modell wurde auf eine Kollektion von tausenden „Alte Meister“ Portraits aus verschiedenen Europäischen Sammlungen trainiert. Ein Modell hat die Aufgabe, Karten biometrischer Gesichtsmerkmale aus Bildern zu extrahieren, ein weiteres Modell transformiert diese Karten zurück in Portraits im gelernten Stil. Ein drittes Modell fügt Bildern Details und Texturen hinzu. Ein Kamerastream, der den Künstler filmt, wird zusätzlich in variierender Gewichtung in die Schleife gemischt.
Da sich das Wissen der Modelle über die Natur von Bildern ausschließlich auf die trainierten Portraits beschränkt, agieren sie im vorgegebenen System wie ein Filter, der jegliche Information, selbst Rauschen, schrittweise in den ihnen bekannten Parameterraum lenkt. Die Misinterpretationen und Fehler, die die Modelle sowohl bei der Analyse, also auch beim generativen Prozess machen, verstärken sich selbst, führen aber auch dazu, dass das System nie in einem statischen Zustand endet sondern innerhalb des Möglichkeitenraums mäandert.
Website: http://quasimondo.com
