This Person Does Not Exist
This Person Does Not Exist, Uber yazılım mühendisi Philip Wang tarafından oluşturulan, NVIDIA'nın StyleGAN teknolojisini kullanarak tamamen kurgusal insanların fotorealistik portrelerini üreten web tabanlı bir gösterim projesidir. Şubat 2019'da başlatılan web sitesi, sayfa her yenilendiğinde yeni bir AI üretimi insan yüzü oluşturarak viral bir sansasyona dönüşmüş ve üretken çekişmeli ağların gerçek fotoğraflardan ayırt edilemeyecek inandırıcı portreler sentezleme yeteneğini sergilemiştir. Temelindeki model, 70.000 yüksek çözünürlüklü gerçek insan yüzü fotoğrafı içeren FFHQ veri seti üzerinde eğitilmiş olup gerçekçi cilt dokuları, saç desenleri, aydınlatma, göz yansımaları ve doğal asimetrilere sahip özgün yüz kompozisyonları üretmeyi öğrenmiştir. Üretilen yüzler çeşitli yaş grupları, etnik kökenler ve cinsiyetler dahil geniş bir demografik çeşitlilik yelpazesini kapsar. Çıktılar ilk bakışta inandırıcı olsa da dikkatli inceleme zaman zaman asimetrik küpeler, bozuk arka planlar veya görsel kenarlarındaki saç tutarsızlıkları gibi belirleyici artifaktları ortaya çıkarabilir. Proje gösterim ötesinde birçok amaca hizmet eder: deepfake teknolojisi ve medya okuryazarlığı tartışmalarında yaygın olarak kullanılmış, tasarım mockup'ları ve arayüz prototiplemesi için gizlilik koruyan yer tutucu portre kaynağı olarak hizmet vermiş ve lisans endişesi olmadan stok fotoğraf benzeri görseller sunmuştur. Web sitesi tescilli olmakla birlikte temelindeki StyleGAN mimarisi açık kaynaklıdır. Proje, GAN yeteneklerinin en tanınmış kamusal gösterimlerinden biri olmaya devam etmekte ve giderek sofistike hale gelen sentetik içerik çağında AI üretimi medya özgünlüğü ve dijital güven hakkında önemli tartışmaları tetiklemektedir.
Öne Çıkan Özellikler
Fotogercekci Yuz Uretimi
1024x1024 cozunurlugunde gercek insanlardan ayirt edilmesi zor, son derece ikna edici sentetik yuzler uretir
Aninda Uretim
Her sayfa yenilemesinde saniyeler icinde tamamen yeni ve benzersiz bir insan yuzu olusturur
Sinirsiz Cesitlilik
Farkli etnik kokenler, yaslar, cinsiyetler ve yuz ozelliklerinde sinirsiz cesitlilikte yuz uretme kapasitesi
Egitim ve Farkindalik Araci
Yapay zeka tarafindan uretilen gorsellerin yetenekleri ve sinirlamalari hakkinda toplumsal farkindalik yaratir
Hakkında
This Person Does Not Exist (Bu Kişi Gerçek Değil), NVIDIA araştırmacısı Philip Wang tarafından Şubat 2019'da oluşturulan, StyleGAN teknolojisini kullanarak tamamen yapay, fotogerçekçi insan yüzleri üreten viral bir web sitesi ve teknoloji göstericisidir. Site, her sayfa yenilemesinde 1024x1024 çözünürlükte benzersiz, gerçekte var olmayan bir insan yüzü üretir. Lansman sonrasında viral olarak yayılan proje, yapay zeka tarafından üretilen görsellerin ulaştığı gerçekçilik seviyesini geniş kamuoyuna çarpıcı biçimde göstermiş ve deepfake ile sentetik medya tartışmalarını önemli ölçüde hızlandırmıştır. Bu proje, yapay zekanın üretici kapasitesini sıradan insanların anlayabileceği somut bir örnekle ortaya koymuştur.
Teknolojik altyapı, NVIDIA'nın StyleGAN ve sonrasında StyleGAN2 mimarisine dayanır. StyleGAN, latent uzaydan başlayarak kademeli olarak artan çözünürlükte özellik haritaları üreten bir sentez ağı kullanır. Adaptive Instance Normalization (AdaIN) katmanları, her çözünürlük seviyesinde stil bilgisini enjekte ederek saç rengi, cilt tonu, yüz şekli, yaş ve cinsiyet gibi özelliklerin bağımsız ve ayrıntılı kontrolünü sağlar. Discriminator ağı, üretilen görselleri gerçek yüz fotoğraflarından ayırt etmeye çalışarak generator'ı sürekli iyileştirmeye zorlar. Model, 70.000 yüksek kaliteli yüz görselinden oluşan FFHQ (Flickr-Faces-HQ) veri seti üzerinde eğitilmiştir.
Üretilen yüzlerin kalitesi, insan gözlemcilerin büyük çoğunluğunun gerçek ve sahte yüzleri güvenilir biçimde ayırt edemediği seviyededir. Çeşitli akademik araştırmalarda katılımcıların StyleGAN yüzlerini gerçek fotoğraflardan ayırt etme başarısı şans seviyesine yakın çıkmıştır. Model, farklı etnik kökenler, yaş grupları, cinsiyetler ve yüz ifadeleri genelinde geniş çeşitlilik gösteren çıktılar üretir. Ancak gözlük, küpe, asimetrik arka plan ve saç detayları gibi alanlarda zaman zaman küçük artefaktlar ve tutarsızlıklar gözlemlenebilir.
Kullanım alanları hem meşru hem de tartışmalı boyutlar içerir. Meşru kullanımlar arasında UI/UX tasarımında placeholder profil fotoğrafları, pazarlama materyallerinde gizlilik dostu kullanıcı temsilleri, oyun ve sanal dünya geliştirmede NPC yüzleri, eğitim amaçlı AI farkındalık gösterileri ve araştırma çalışmalarında anonim yüz veri setleri yer alır. Tartışmalı kullanımlar ise sahte sosyal medya profilleri oluşturma, kimlik sahteciliği ve dezenformasyon kampanyaları gibi kötü niyetli uygulamaları kapsar ve bu durum teknolojinin etik boyutlarını sürekli gündeme taşımaktadır. Bu ikili kullanım potansiyeli, üretici AI teknolojilerinin düzenleyici çerçeveler içinde ele alınması gerektiğine dair tartışmaları güçlendirmiştir.
Web sitesi ücretsiz ve açık erişimlidir; herhangi bir kayıt gerektirmeden tarayıcıdan anında kullanılabilir. Altta yatan StyleGAN ve StyleGAN2 modelleri NVIDIA tarafından açık kaynak olarak GitHub'da yayınlanmıştır ve araştırmacılar ile geliştiricilerin bu teknoloji üzerine inşa etmesine olanak tanır. Çok sayıda türev proje ortaya çıkmıştır: This Cat Does Not Exist, This Artwork Does Not Exist ve This Rental Does Not Exist gibi siteler benzer teknolojiyi farklı görsel alanlara uygulamış ve GAN tabanlı yaklaşımın genellenebilirliğini göstermiştir.
This Person Does Not Exist, yapay zeka tarihinde bir dönüm noktası olarak kabul edilir. Teknik olarak StyleGAN'ın bir gösterici uygulaması olmakla birlikte, toplumsal etkisi çok daha derindir: AI üretimi içeriklerin potansiyel risklerini kamuoyunun gündemine taşımış, deepfake algılama araştırmalarını hızlandırmış ve dijital medya okuryazarlığının önemini vurgulamıştır. Platform, AI etiği ve üretici modellerin toplumsal etkisi üzerine süregelen tartışmaların sembolik bir referans noktası olmaya devam etmekte ve sentetik medya çağının başlangıcını simgelemektedir.
Kullanım Senaryoları
Gizlilik Koruyan Veri Uretimi
Gercek kisilerin gizliligini koruyarak arastirma ve egitim amaçli sentetik yuz verileri olusturma
Tasarim Mockup'lari
Web siteleri, uygulamalar ve pazarlama materyalleri icin yer tutucu profil fotograflari olusturma
Dijital Okuryazarlik Egitimi
Yapay zeka uretimi gorselleri tanimlamayi ogretmek icin egitim materyali olarak kullanilma
Karakter Tasarimi
Oyun, animasyon ve hikaye anlatimi projeleri icin benzersiz karakter yuzleri ve referans gorselleri olusturma
Artılar ve Eksiler
Artılar
- StyleGAN tabanlı fotorealistik yüz üretimi — gerçekten ayırt edilemez sonuçlar
- Tek tıklama ile anında yeni yüz oluşturma
- Ücretsiz ve web tabanlı — kayıt gerektirmiyor
- Prototipleme ve placeholder görseller için pratik
Eksiler
- Yalnızca yüz üretimi — tam vücut veya sahne oluşturma yok
- Kontrol yok — yaş, cinsiyet, etnik köken belirlenemiyor
- Deepfake ve sahte profil oluşturma riski
- Arka plan ve saç kenarlarında bazen artefaktlar
Teknik Detaylar
Parametre
N/A
Mimari
StyleGAN2 (NVIDIA) for face generation
Eğitim Verisi
FFHQ dataset (70K high-quality face images from Flickr)
Lisans
Proprietary
Özellikler
- Photorealistic Face Synthesis
- Instant Web Generation
- 1024x1024 Resolution
- StyleGAN2 Powered
- Random Latent Sampling
- No Registration Required
Benchmark Sonuçları
| Metrik | Değer | Karşılaştırma | Kaynak |
|---|---|---|---|
| FID Score (StyleGAN2 tabanlı) | 2.84 | — | StyleGAN2 Paper (CVPR 2020, NVIDIA) |
| Çıktı Çözünürlüğü | 1024x1024 | — | thispersondoesnotexist.com |
| Üretim Hızı | ~0.05s (GPU inference) | — | StyleGAN2 NVIDIA Benchmarks |
Sıkça Sorulan Sorular
İlgili Modeller
LivePortrait
LivePortrait, Kuaishou Technology tarafından geliştirilen ve tek bir statik portre fotoğrafından ifade dolu ve canlı yüz animasyonları üreten verimli bir AI portre animasyon modelidir. Model, bir kaynak portre görüntüsü ve yüz hareketleri içeren bir sürücü video alır, ardından videodaki ifadeleri, baş rotasyonlarını, göz hareketlerini ve ağız jestlerini orijinal kişinin kimliğini ve görünümünü koruyarak portreye aktarır. Çarpıtma tabanlı render ile örtük anahtar nokta algılama mimarisi üzerine inşa edilen LivePortrait, etkileşimli uygulamalar ve canlı içerik oluşturma için pratik hale getiren gerçek zamanlı çıkarım hızları sağlar. Model, portre animasyonunda yüz sınırı bozulması, boyun kopması ve doğal olmayan göz hareketleri gibi yaygın artefaktları önleyen dikiş ve yeniden hedefleme modülleri sunarak öznenin doğal görünümünü koruyan kusursuz sonuçlar üretir. LivePortrait, fotoğraflar, tablolar, illüstrasyonlar ve hatta çizgi film karakterleri dahil çeşitli portre türlerini işleyerek animasyon yaklaşımını farklı sanatsal stillere uyarlar. Model, kaş kaldırma, göz kırpma veya gülümseme yoğunluğu gibi belirli yüz özelliklerinin bağımsız olarak seçici animasyonuna olanak tanıyan bireysel yüz eylem birimleri üzerinde ince ayarlı kontrol destekler. MIT lisansı altında tamamen açık kaynaklı olan LivePortrait, ComfyUI ve diğer yaratıcı araçlara entegre edilmiştir. Yaygın uygulamalar arasında sosyal medya için animasyonlu avatarlar oluşturma, sanal sunucular için yüz animasyonları üretme, tarihi fotoğraflardan ilgi çekici içerik oluşturma ve müzeler için etkileşimli portre deneyimleri geliştirme yer alır.
StyleGAN3
StyleGAN3, NVIDIA'nın çığır açan StyleGAN serisi üretken çekişmeli ağların üçüncü neslidir ve görsel nitelikler üzerinde benzeri görülmemiş kontrol sağlayarak yüksek kaliteli, fotorealistik görseller üretmek için tasarlanmıştır. NeurIPS 2021'de sunulan StyleGAN3, önceki versiyonların temel bir sınırlamasını ele alarak sürekli dönüşümler ve animasyonlar sırasında ortaya çıkan doku yapışması artifaktlarını ortadan kaldırır. Önceki GAN mimarileri, nesnelerle doğal olarak hareket etmek yerine piksel koordinatlarına sabitlenmiş görünen özelliklere sahipti ve bu durum interpolasyon sırasında belirgin görsel bozulmalara neden oluyordu. StyleGAN3, sürekli sinyal işleme prensiplerini kullanarak takma adsız üretim yoluyla bu sorunu çözer ve ince detayların alttaki içerikle düzgün ve doğal biçimde hareket etmesini sağlar. Mimari, döndürme ve öteleme eşdeğerliği sunar; bu da üretilen özelliklerin görsel geometrik dönüşümlere tabi tutulduğunda doğru ve tutarlı biçimde dönüştüğü anlamına gelir. Bu özellik StyleGAN3'ü video üretimi, animasyon ve üretilen kareler arasında yumuşak geçişler gerektiren uygulamalar için özellikle uygun kılar. Model, yapılandırılabilir çıktı çözünürlüklerini destekler ve önceki versiyonlardan gelen stil karıştırma yeteneklerini koruyarak poz ve yüz şekli gibi kaba özellikler ile saç dokusu ve cilt kalitesi gibi ince detaylar üzerinde ayrı ayrı kontrol sağlar. StyleGAN3, insan yüzleri (FFHQ), hayvan yüzleri (AFHQv2) ve diğer görsel kategorileri dahil çeşitli alanlarda eğitilmiştir. Model, araştırma ve ticari kullanıma izin veren özel NVIDIA lisansı altında tamamen açık kaynaklıdır ve GitHub'da resmi PyTorch implementasyonları mevcuttur. Koşulsuz görsel üretim kalitesinde referans benchmark olmaya devam eder ve üretken AI alanındaki sonraki GAN mimarilerini ve difüzyon model tasarımlarını etkilemiştir.
ProGAN
ProGAN (Aşamalı Büyüyen GAN'lar), NVIDIA araştırmacıları Tero Karras, Timo Aila, Samuli Laine ve Jaakko Lehtinen tarafından geliştirilen, yüksek çözünürlüklü yüz görselleri üretmek için eğitim sırasında hem üretici hem ayrıştırıcı ağların aşamalı olarak büyütülmesine öncülük eden 2017 tarihli GAN mimarisidir. Hedef çözünürlükte doğrudan eğitim yerine ProGAN, 4x4 pikselden başlayarak kademeli olarak daha yüksek çözünürlükleri işleyen yeni katmanlar ekler ve her detay seviyesini yumuşak geçişlerle entegre eder. Bu aşamalı strateji, ince detaylar eklenmeden önce büyük ölçekli yapıyı öğrenerek eğitimi stabilize eder, tam çözünürlükte sıfırdan eğitime kıyasla süreyi azaltır ve GAN'larla daha önce mümkün olandan çok daha yüksek çözünürlüklü görseller üretilmesini sağlar. ProGAN, 1024x1024 piksel fotorealistik yüz görselleri inandırıcı biçimde üreten ilk GAN mimarisi olmuş ve geniş çapta ilgi çekmiştir. Model, bu araştırma için hazırlanmış yüksek kaliteli CelebA-HQ veri seti üzerinde eğitilmiştir. Yüzlerin ötesinde yatak odaları, arabalar ve diğer kategorilerin yüksek çözünürlüklü görsellerini başarıyla üreterek çok yönlülüğünü kanıtlamıştır. Mimari, çıktı çeşitliliği için mini-grup standart sapma tekniğini ve eğitim stabilitesi için eşitlenmiş öğrenme hızını tanıtmıştır. ProGAN, TensorFlow'da resmi implementasyonları ve PyTorch'ta topluluk portlarıyla tamamen açık kaynaklıdır. StyleGAN gibi sonraki mimariler ProGAN'ın aşamalı eğitim temeli üzerine inşa edilerek daha yüksek kalite elde etmiş olsa da ProGAN, yüksek çözünürlüklü GAN eğitimini temelden değiştiren ve gelişmiş üretken modellerin bir neslini ilhamlandıran tarihi bir katkıdır.
DCGAN Face
DCGAN (Derin Evrişimli Üretken Çekişmeli Ağ) Face, Alec Radford, Luke Metz ve Soumith Chintala tarafından 2015'teki etkili makalelerinde tanıtılan, GAN mimarilerinde evrişimli sinir ağlarının kullanımının temel prensiplerini belirleyen öncü bir mimaridir. DCGAN, derin evrişimli ağların tutarlı görseller, özellikle insan yüzleri üretebileceğini güvenilir biçimde gösteren ilk modellerden biridir ve GAN'ları basit tam bağlı mimarilerin ötesine taşımıştır. Mimari, sonraki GAN araştırmalarında standart uygulama haline gelen tasarım ilkeleri sunar: ayrıştırıcıda havuzlama katmanlarının adımlı evrişimlerle, üreticide kesirli adımlı evrişimlerle değiştirilmesi, eğitimi stabilize etmek için toplu normalleştirme, tam bağlı gizli katmanların kaldırılması ve üreticide ReLU, ayrıştırıcıda LeakyReLU aktivasyonunun uygulanması. CelebA ünlü yüzleri veri seti üzerinde eğitilen DCGAN Face, 64x64 piksel yüz görselleri üretir; modern standartlara göre mütevazı olsa da yayın zamanında çığır açıcıydı. Model ayrıca öğrenilmiş gizli uzayda vektör işlemlerinin farklı yüzlerden özelliklerin birleştirilmesi gibi anlamsal olarak anlamlı sonuçlar ürettiğini gösteren gizli uzay aritmetiğini sergilemiştir. Bu çalışma GAN literatüründe en çok alıntı yapılan makalelerden biri haline gelmiş ve derin öğrenme eğitiminde zorunlu okuma olmaya devam etmektedir. DCGAN, PyTorch, TensorFlow ve diğer framework'lerde tamamen açık kaynaklıdır. ProGAN, StyleGAN ve difüzyon modelleri tarafından kalite açısından aşılmış olsa da evrişimli GAN'ların görsel üretim için uygulanabilir olduğunu kanıtlayan ve modern üretken modellerde hala kullanılan tasarım kalıplarını belirleyen mimari olarak tarihsel önemini korumaktadır.