Ob Foxy mit den Ergebnissen zufrieden ist, ist nicht überliefert.

Foto: DER STANDARD/Pichler

Sind Sie ein Katzenmensch oder ein Hundemensch? Bei der Wahl der vierbeinigen Begleiter scheiden sich die Geister, wie sonst nur an wenigen anderen Fragen. Bei der Partnersuche auf Tinder und Co. können tierische Vorlieben schon einmal zum entscheidenden Messgrad werden, wenn es darum geht, wie ernst eine Beziehung wird.

Chiphersteller Nvidia probiert es in dieser Angelegenheit nun mit technologischer Völkerverständigung. Die Frage, ob eine Katze auch ein Hunde sein kann (oder umgekehrt) beantwortet das neue KI-Experiment "GANimal" recht eindeutig mit "Ja".

"Foxy", transformiert zu anderen Katzen, Hunden und Bären.
Foto: DER STANDARD/Pichler

Katze als Hund und Bär

Das zeigt auch ein Test mit einer der Redaktion nahe stehenden Tabby-Stubentigerdame namens "Foxy". Sie weiß nach dem Upload eines Fotos nun auch, wie sie als Perserkatze, Corgi oder Schwarzbär (Bären gehören übrigens zur Tierfamilie der "Hundeartigen") aussehen würde.

Foxys Meinung zu den Ergebnissen ist nicht überliefert. Wer mit Fotos eigener Haustiere experimentieren möchte, kann das auf der Codehosting-Plattform Github tun.

Kommt mit wenigen Aufnahmen aus

Der selbstlernende Algorithmus, der für die Transformationen zum Einsatz kommt, nennt sich "Few-shot, unsupervised Image-to-Image-Translation", kurz: Funit. Was ihn von anderen KIs seiner Art unterscheidet ist, dass er fast vollautonom arbeitet. Es muss lediglich ein Bild hochgeladen und mit einem Rechteck der Kopf des eigenen Haustiers markiert werden.

Zudem muss er nicht zuerst mit Unmengen an Fotos gefüttert werden, bevor er die Charakteristiken eines Bildes auf andere Aufnahmen übertragen kann – wenn auch derzeit nur in niedriger Auflösung. Die Forscher hoffen, dass er mit weiteren Verbesserungen künftig eine Alternative zu KIs wird, die aktuell noch mit großen Mengen an ausgewählten Aufnahmen trainiert werden müssen, bis sie etwa in der Lage sind, Gesichter auszutauschen. GANimal und die Arbeit dahinter haben sie in einem Paper beschrieben, das kürzlich auf der International Conference on Computer Vision vorgestellt wurde. (gpi, 29.10.2019)