
English: 
What I've been wondering is you know
If you've got a lot of pictures of horses and you really want to turn them into a lot of pictures of zebras
How are you gonna do that, right?
Marker pen. Yeah, marker pen, just draw some lines there. Yeah, that is quicker
Today we're going to talk about cycle-GAN, which is a really interesting
innovation in generative adversarial networks(GANs)
Now rob has already covered this in one of his videos what a GAN is and what it's used for typically
Generating images of interest. Pictures of trees, pictures of people, pictures of buildings, you know, you can train GANs to do these kind of things
What's interesting about GANs? Is that you actually have two networks
you have one their work that's learning to generate images and you have a second network that's learning to try and tell the difference between
The generated ones and some example real images and by training the both together
You force the generator to produce more realistic looking images
There's another domain that GANs are useful, right which is not generating an image from scratch
It's turning an image from one domain into another

Turkish: 
Merak ettiğim şey biliyor musun?
Eğer bir sürü at resminiz varsa ve onları bir sürü zebra resmine dönüştürmek istiyorsanız.
Bunu nasıl yapacaksın?
Keçeli kalem. Evet, marker kalem, oraya birkaç çizgi çiz. Evet, bu daha hızlı
Bugün gerçekten ilginç bir olan GAN döngüsü hakkında konuşacağız.
üretici üretici ağlarda yenilik (GAN)
Şimdi rob, videolarından birinde bir GAN'ın ne olduğunu ve tipik olarak ne için kullanıldığını zaten ele aldı.
İlgi çeken görüntüler üretmek. Ağaçların resimleri, insanların resimleri, binaların resimleri, bilirsiniz, GAN'ları bu tür şeyler yapmak için eğitebilirsiniz.
GAN'lar hakkında ilginç olan nedir? Aslında iki ağın var mı?
görüntü üretmeyi öğrenen bir işin var ve aradaki farkı söylemeyi öğrenen ikinci bir ağın var
Üretilenler ve bazı örnekler gerçek görüntüler ve her ikisini birlikte eğiterek
Jeneratörü daha gerçekçi görünümlü görüntüler üretmeye zorlarsınız.
GAN'ların yararlı olduğu başka bir alan var, sıfırdan bir görüntü oluşturmuyor
Bir resmi bir alandan diğerine dönüştürüyor

English: 
so for example
you might take a photo to try and make you look like a painting or you might take a
Black-and-white photo and try and make it a colored photo or something like this
There are lots of ways to do this kind of style transfer but gans are one of the ways you could do it
It's gonna be slightly different to what what was talking about because in this case we have an image going in, right?
and not just noise and we have an image coming out
So one way you could train this is just with a standard kind of encoder decoder
Network like we've talked about before so you might have an image let's say here so this is a photograph
And you have a kind of encoder decoder
Networks like this that we're gonna call our generator and then it outputs another image
These aren't typically too big but they usually do filter the network down and back up again
And then we have I know an artist impression or something like that of the picture now
One way we could train this is to get a bunch of paintings and a bunch of photos of where those paintings were
sort of captured font, right or

Turkish: 
örneğin
denemek ve bir resim gibi görünmesini sağlamak için fotoğraf çekebilir veya fotoğraf çekebilir
Siyah beyaz fotoğraf ve renkli bir fotoğraf gibi bir şey yapmayı deneyin
Bu tarz bir stil aktarımı yapmanın pek çok yolu var, ancak kutular bunu yapabildiğiniz yollardan biri.
Ne hakkında konuştuğundan biraz farklı olacak çünkü bu durumda içeri giren bir imge var, değil mi?
ve sadece gürültü değil ve ortaya çıkan bir imajımız var.
Yani bunu eğitmenin bir yolu, sadece standart bir kodlayıcı kod çözücüsü ile
Daha önce bahsettiğimiz ağ, bu yüzden bir fotoğrafın olabilir, burada söyleyelim, bu bir fotoğraf.
Ve bir çeşit kodlayıcı kod çözücünüz var
Bunun gibi ağlar, jeneratörümüzü arayacağız ve sonra başka bir görüntü çıkarır.
Bunlar genellikle çok büyük değildir ancak genellikle ağı filtrelemekte ve tekrar yedeklemektedirler.
Ve sonra bir sanatçı izlenimini veya şu anda bu fotoğraftakie benzer bir şeyi biliyorum.
Bunu eğitebilmemizin bir yolu, bir grup resim ve bu resimlerin bulunduğu yerin bir sürü fotoğrafını çekmektir.
çekilen yazı tipi

Turkish: 
Dışarı çıkıp fotoğrafını çektiğimiz yükleri boyamak için bir sürü sanatçıyı görevlendirin ve sonra bunu elde ettik.
Kullanabileceğimiz denetlenen eğitim verileri sadece fotoğraf çiftlerine yerleştirilebilir
Resim formunda görünmek ne demek
hatta net bir hava eğitmek
Umarım bir başkasını eşleriz ve sanırım fikir o zaman yeni bir fotoğraf çekmek için?
Ama hiç görülmedi ve doğru bir şekilde boyamak güzel bir iş çıkardı mı? Umut bu
Yani bu, bir tür stil aktarımı üretmek için bir ağ kurma eğitimi gibi bir çeşit temel eğitim gibi.
Fakat sorun şu ki, bu iki veriyi elde etmek biraz acı verici, değil mi?
Bu yüzden çoğu zaman veri çok fazla zamanla eşleşmez. Çok sayıda resim resmimiz var
Çok sayıda fotoğrafımız var, ama hepsi tamamen farklı yerlere benziyor
Dolayısıyla, biriyle diğeri arasında bir eşleme yapmak biraz daha zor
Burada ne gibi bir oyun var burada ayrımcı var?
Öyleyse bu bir ayrımcı olacak ve bu bir ayrımcının iddiaya girdiği gerçek veya sahte bir imaj mı?
Sahte tabloları tespit etmek, daha iyi karışım üreticilerinin fotoğrafları tablolara dönüştürmek zorunda kalacaklardır, değil mi?
Bu fikir olurdu ve bu oldukça iyi çalışıyor

English: 
Commission a bunch of artists to go out and paint the load of stuff that we have the photograph for and then we've got this
Supervised training data that we could use we could just put in pairs of photo
what it's meant to look like in painting form and then
even train a net weather
Hopefully we'll map one to the other and the idea I guess is that you then put in a new photo?
But it's never seen and it does a nice job of painting it right? That's the hope
So this is like a kind of basic level of training up a network to produce some kind of style transfer
But the problem is that it's a bit of a pain to have to get these pairs of data, right?
So a lot of the time the data isn't paired a lot of time. We have a lot of pictures of paintings
We have a lot of pictures of photos, but it all look completely different places
So producing a mapping between one and the other is a little bit more difficult
What a gam does is has a discriminator here?
So this is going to be a discriminator and this is is it a real or fake image the bet of a discriminator gets at?
Detecting the fake paintings the better mix generators will have to get converting photos to paintings, right?
That would be the idea and this works pretty well

English: 
Why and it works well for generating photos and third foot changing photos into other domains
But gans have a lot of problems with training that make them quite difficult to use in practice
One of them is something called mode collapse imagine that we are trying to produce again
Now that takes a picture horse and converts it into a picture of a zebra
So what's happening is we put in a random picture of a horse and then the discriminators?
Is it a real zebra or fakes everywhere?
And if it's determined to be a fake this generators gonna have to get better at changing that horse into a zebra
Horses into zebras is a kind of arbitrary
problem that you might wonder what why we do in that well
for fun mostly but also because actually it's just a textual check text will change the shape of a zebra is
Approximately the same as a shape of a horse which makes this problem slightly easier, right? We're talking about adding stripes
We're not talking about totally changing the shape of the object
the problem is that let's imagine that the generators have realized for discriminator how in terminator worked and

Turkish: 
Neden fotoğraf üretme ve üçüncü ayak değiştiren fotoğrafları diğer alanlara dönüştürmede iyi çalışıyor
Ancak, gansların pratikte kullanımı oldukça zorlaştıran eğitimle ilgili birçok sorunu var.
Bunlardan biri de mod çöküşü denilen şey, tekrar üretmeye çalıştığımızı hayal edin
Şimdi bu bir resim çeker ve onu bir zebra resmine dönüştürür.
Öyleyse neler oluyor, bir atı ve ardından ayrımcıları rastgele bir şekilde çiziyoruz?
Gerçek bir zebra mı yoksa her yerde sahte mi?
Sahte olduğu belirlenirse, bu jeneratörlerin o atı bir zebraya dönüştürmede daha iyi olması gerekecek
Zebraların içine atlar keyfi bir
sorun, neden bu kadar iyi yaptığımızı merak ediyor olabilirsiniz.
eğlenmek için çoğunlukla ama aynı zamanda aslında sadece bir metin kontrolü olduğu için bir metin zebra şeklini değiştirecek
Bu sorunu biraz daha kolaylaştıran bir at şekliyle yaklaşık olarak aynı, değil mi? Şerit ekleme hakkında konuşuyoruz
Nesnenin şeklini tamamen değiştirmekten bahsetmiyoruz
Sorun şu ki, jeneratörler terminatörün nasıl çalıştığını ve ayrımcı için farkettiklerini düşünelim.

English: 
Just said okay i'm going to produce this exact same picture a zebra
This is gonna look bad by the way. So this is my picture of a zebra
How did I am good is it
Right again again again would have been better an untrained can work. I've been better now
So let's suppose the generator
Generate this same picture every time any picture of a horse cause it just generates that picture
It's a simple you asked was ever. Here's who's ever it's the only one you're getting man
This is something called mode collapse. The idea is that the generator has now completely failed to produce interesting pictures
Just producing the same picture every time
imagine we wanted a
Generator that produce digits like six five four three, and this was determining whether they were real did you or not?
well
if you just produce six every time it's problem is so much easier and we discriminate it can't
Complain about that because they are technically digits. This is the exact same problem
So cycle Gann is essentially a two gun system that deals with this very problem

Turkish: 
Sadece tamam dedim, aynı resmi bir zebra üreteceğim.
Bu arada bu kötü görünecek. Demek bu benim bir zebra resmim
Nasıl iyiydim
Tekrar tekrar, eğitimsiz bir kişinin çalışabileceği daha iyi olurdu. Şimdi daha iyi oldum
Diyelim ki jeneratörü
Bir atın herhangi bir resmi, yalnızca o resmi oluşturduğundan, bu aynı resmi oluşturun
İstediğin basit bir şeydi. İşte hiç kimsenin tek elde edebileceği kişi o
Bu mod çöküşü adı verilen bir şeydir. Buradaki fikir, jeneratörün ilginç resimler üretemediği için tamamen başarısız oldu.
Sadece her seferinde aynı resmi üretiyorum
istediğimizi hayal et
Altı beş dört üç gibi rakamlar üreten Jeneratör, bu onların gerçek olup olmadıklarını belirliyor muydu?
iyi
her seferinde sadece altı üretiyorsanız, sorun çok daha kolay ve ayırt edemeyiz
Bu konuda şikayet edin çünkü teknik olarak rakamlar. Bu aynı sorun
Öyleyse döngüsü Gann aslında bu çok sorun ile ilgilenen iki silahlı bir sistemdir

Turkish: 
Peki nasıl yapıyor? Elimizde iki silah var. Tamam, çünkü eğer biri iyiyse, iki tanesi daha iyiyse
ve yapmaya çalıştığımız şey, sadece bizim
İmaj ve güzel görünen bir şeye dönüşmek. Ve içinde gerçek olandan ayırt edilemez
Ama aynı zamanda tekrar geri dönebiliriz.
Aynı lisans görüntüsünü henüz yaratmadığımızı kanıtlamak için. Girdiyle ilgisi yok, değil mi?
Yani, bu bizim girişimiz bir jeneratöre sahibiz.
Öyleyse bu bir Zebra olarak söyleyelim bir resmini oluşturacak olan G, sonra başka bir ağımız var.
Peki
Zebraların fotoğraflarını çekiyor ve onları atların resimlerine dönüştürüyor.
Yani iki silah var ve iki ayrımcı olacak, değil mi?
Bu daha sonra burada bir çığlık olduğunu söylüyor, bu bir zebra gerçek bir resim mi?
Bir ayrımcıya soru işareti ve ne zaman burada bir ayrımcı olarak söyleyerek bu bir at için gerçek bir resimdir?
Yani burada birçok kayıp fonksiyonu var

English: 
So how does it do it? Well, what we have is we have two guns. Alright, because if one is good then two better
and what we try to do is we're trying to make sure that not only are we taking our
Image and turning into something that looks good. And it's in it's indistinguishable from a real one
But also that we can then go back again
To prove that we haven't just generated the same license image. It's got nothing to do with the input, right?
So, this is our input we have a generator a generator Network G
So this is G which is going to generate a picture of a let's say as of a zebra then we have another network F
Alright
Which is taking pictures of zebras and turning them back into pictures of horses
So there's two guns and there's going to be two discriminators, right?
This is a scream later here saying is this a real picture of a zebra?
Question mark to a discriminator and when as a discriminator here saying is this a real picture of a horse?
So there's a lot of loss functions being applied here

Turkish: 
kayıp fonksiyonu nedir kayıp fonksiyonu ne kadar yanlış veya doğru olduğunu hesaplamak için kullandığımız bir fonksiyondur.
Özel ağ bu durumda öyle
Kayıp işlevi, bunun gerçek bir görüntü olduğunu söylemeniz gerekiyordu. Ve sen bunun sahte bir görüntü olduğunu söyledin.
Yani senin okun, bu kadar doğru mu?
Hiçbir numaraya gitmeden. Temel olarak doğru olan budur, ancak bu şekilde eğitiyoruz, değil mi?
Kaybı hesaplarsın, sadece sahte zebra olduğunu söylemen gerektiğini söyle.
Ama gerçekte sen tekerlekler İmparatoru yani bir dahaki sefere ağırlığını değiştir, böylece hep böyle bir fikir olduğunu söylersin
Kayıp fonksiyonu bunun için. Böylece bir at G jeneratörüne gelir ve teorik olarak onu bir zebraya dönüştürür.
Sağ. Bu F işlevine giriyor
Onu bir ata dönüştürür ve son olarak kaybettik, bu da fark nedir?
Bu at burada ve bu at arasında çünkü aynı görüntüyü yeniden oluşturamazsak
O zaman sadece farklı bir resim üretiyoruz, oysa her yerde ama bu çalışmam için beni aldatıyor.
Bu atı bir zebraya dönüştürmeliyiz, sadece onun bir resmini üretmez.

English: 
what's a loss function a loss function is a function we use to calculate how wrong or right a
Particular network is so in this case
The loss function is you were supposed to say this was a real image. And you said it was a fake image
So your arrow, is that is that much right?
Without going to any numbers. That's basically what it does right, but this is how we train these things, right?
You calculate a loss just say look you were supposed to say this was a fake zebra
But actually you the wheels Emperor so next time change your weight so that you say it was a feint ever
That's what the loss function is for. So a horse comes in the G generator turns it into a zebra, theoretically
Right. This goes into the F function
It turns it back into a horse and then we have a final loss which is what is the difference?
Between this horse here and this horse here because if we can't recreate the exact same image
Then we just produce a different picture whereas everywhere but it's that's cheating my for this to work
We have to convert this horse into a zebra not just produce a picture of his ever

English: 
You see what I mean? Right the same with something like star transfer to a Monet painting, right? We take a photograph
We turn it into a Monet painting. It looks great
But if we can't turn it back then what you've done is just draw a male painting for me
It's got nothing to do with the input
so in some sense this G and F function are inverses of one another one does of a function and the other one undoes the
function what's interesting about cycle gain apart from the fact this kind of a loop here is they have this loss that also measures a
Distance between this image and this image. So not only ensure that these are both
Producing realistic-looking inputs and outputs, but that these two at the end of the same and you can do it both ways
You can go horse
To zebra to horse and measure this distance here and to make sure they're same and you can go zebra to horse
As ever and make sure this distance is the same right so you can work in both ways
You can put F first or G first
So this is exactly how you train it
you take a number of images of horses and a number of images of zippers and

Turkish: 
Ne demek istediğimi anladın mı? Monet resmine yıldız transferi gibi bir şeyle aynı değil mi? Fotoğraf çekiyoruz
Bir Monet resmine dönüştürüyoruz. Harika görünüyor
Ama geri dönemezsek, yaptığın şey sadece benim için bir erkek resmi yapmak.
Girdiyle ilgisi yok
Bu nedenle, bazı açılardan bu G ve F işlevi, bir diğerinin işlevinin yaptığı tersidir, diğeri ise geri alır.
Döngü ile ilgili ilginç olan şey, buradaki bir döngünün gerçeğinden başka kazanımları;
Bu görüntü ile bu görüntü arasındaki mesafe. Yani sadece ikisinin de olmasını sağlamakla kalmaz
Gerçekçi görünen girdiler ve çıktılar üretmek, ancak bu ikisinin aynı olması ve her ikisini de yapabilmeleri için
Atı gidebilirsin
Burada atı zebra etmek ve bu mesafeyi ölçmek ve aynı olduklarından emin olmak için ve atı zebraya götürebilirsin
Her zamanki gibi ve bu mesafenin aynı olduğundan emin olun, böylece her iki şekilde de çalışabilirsiniz.
İlk önce F veya önce G
Demek tam olarak bu şekilde eğitiyorsun
birkaç at resmi ve birkaç fermuar imgesi alırsınız.

English: 
Then you train it just like again you say well, here's a horse image go in. Was it a real image or not?
Right, and sometimes you give the discriminative real images. Sometimes you give it fake images and it tries to get better with that
You don't put it through after to toe it back into a horse
back
Discrimination is also working to make sure this F function is better and then you make sure these two are the same as well one
Way of looking at this is that you're trying to separate out what the content of images and what a style of images
I'm the content should be the same
Alright the content of the horse image and the zebra image should be the same
Because if it's not you won't be able retrieve one from the other
The style is you know aspect how it looks my is it a painting? Is it a zebras at horse?
These are things that we can apply later kind of to the base image. That makes sense
And this can be applied to a whole array of different problems like this kids in medical. Imaging right?
We're looking at it in plant. Imaging
It's used for style transfer
So in the paper alone, there was about 10 different examples of things you can do

Turkish: 
Sonra tekrar iyi söylediğin gibi eğitiyorsun, işte bir at görüntüsü giriyor. Gerçek bir resim miydi, değil mi?
Doğru, bazen de ayırt edici gerçek görüntüler veriyorsunuz. Bazen sahte görüntüler veriyorsunuz ve bununla daha iyi olmaya çalışıyor
Bir atın içine sokmak için sonradan atlatmazsın
geri
Ayrımcılık aynı zamanda bu F fonksiyonunun daha iyi olduğundan emin olmak için çalışıyor ve sonra bu ikisinin aynı olduğundan emin olun
Buna bakmanın yolu, görüntülerin içeriğini ve görüntülerin tarzını ayırmaya çalışıyor olmanızdır.
Ben içerik aynı olmalıyım
Tamam at görüntüsü ve zebra görüntüsü içeriği aynı olmalıdır
Çünkü eğer değilse, diğerinden bir tane alamazsınız.
Tarzın görünüşünü biliyorsun benim görünüşüm nasıl bir tablo? Atın zebra mı?
Bunlar daha sonra temel görüntüye uygulayabileceğimiz şeyler. Mantıklı
Bu da tıpkı bu çocuklar gibi bir dizi farklı soruna uygulanabilir. Görüntüleme doğru mu?
Ona bitkide bakıyoruz. Görüntüleme
Stil aktarımı için kullanılır
Yani sadece gazetede, yapabileceğiniz 10 farklı örnek vardı.

English: 
You can Kate you can take pencil drawings and turn them into into men doings of an object
so like, you know a boy of a shoe - an actual picture of a shoe you can go from
photos to Monet paintings to Van Gogh paintings
You can go from horses to zebras apples to oranges and the list goes on right and if you have a look online
You'll see all kinds of weird wonderful things that people are using this cycle can and variants of it
Too to do is a resolution. Good. No
It's okay, right the the resolutions are get so this kind of size of training data
We're talking about 30 centimeters is in the hundreds of pixels squared
So 2 to 500 pixels squared usually training them takes all the memory once they're trained you can put through
So if what we say inference time, you can put through bigger images and there were ways you could train it
so that
It will work on bigger images when it actually gets to applying it
Right, but the images I've been testing on a smaller 512 by 512 something like that. We're not converting for Herod is yet?

Turkish: 
Kate'i çizebilir, kalem çizimlerini alabilir ve bir nesnenin erkek yapısına dönüştürebilirsin.
Mesela bir ayakkabının çocuğunu tanıyorsunuz - bir ayakkabının gerçek bir resmi
Van Gogh resimlerinde Monet resimleri
Atlardan zebralara, elmalar ve portakallara gidebilirsiniz. Liste doğru gidiyor ve çevrimiçi bir görünümünüz varsa
İnsanların bu döngüde kullanabilecekleri her türlü garip harika şeyleri ve çeşitlerini göreceksiniz
Çok yapmak bir çözümdür. İyi. Yok hayır
Sorun değil, doğru kararlar bu şekilde bir antreman verisi alıyor.
30 santimetrekareden büyük kare cinsinden bahsediyoruz
Yani 2 ila 500 piksel kare genellikle onları eğitmek onlar koyduktan sonra eğitilmiş sonra tüm hafızayı alır
Yani, çıkarım zamanı dediğimizde, daha büyük görüntüler ekleyebilir ve onu eğitebileceğiniz yollar olabilir.
Böylece
Gerçekten uygulandığında büyük görüntüler üzerinde çalışacak
Tamam, ama 512'den 512'ye kadar daha küçük bir görüntü üzerinde test ediyorum. Herod için henüz dönüşüm yapmıyoruz.

Turkish: 
Belki bulacağınız daha yüksek çözünürlüklü çıktıları üreten fazla mesai yaşam tarzı çetesinden bahsedeceğimiz işler var.
Sanırım bir görüntünün her karesine uygulanan bir döngü silahı videosunu izlerseniz
Biraz gürültülü olacak, onu dışarı çıkarmaya çalıştığı adımları atmanız gerekecek. Benzeri birkaç video var
2001'in Bölümleri, her karenin bir Picasso resmi olduğu bir Picasso resmi olarak Space Odyssey
Doğru bakmak oldukça zor ama biraz gürültü var çünkü biliyorsun
Girdi, hafifçe değişse bile, bazıları sağdaki çıkışın değişmesine neden olacak ve böylece titreyecek
Düzgün olmasını sağlamak için
Bir çeşit ekstra işlem yapmak zorunda kalacaksın
Yani bu konuda hadi gelip çevrimiçi kodunu indirebilirsiniz. Açıklamaya bir link koyacağız
Tüm grafik kartınız olduğu sürece indirebilirsiniz.
Koyarak başlayabilirsiniz
Atların rastgele resimleri, onları zebraların rasgele resimlerine dönüştürür ve kendinizden biraz memnun hissetmenizi sağlar
Bu tür Gans'lar, süper çözünürlükte gördüğünüz her tür şey için kullanılıyor
Örneğin çok düşük bir çözünürlük alarak
İmaj ve siz onu havaya uçurmak istersiniz, böylelikle birçok detayı görebiliriz.

English: 
There are there is work that maybe we'll talk about overtime lifestyle gang which does try and produce higher resolution output what you'll find
I think if you watch a video of a cycle gun being applied to every frame of an image
It's gonna be little bit noisy is you're gonna have to take steps it tries to move that out. There's a few videos of like
Parts of 2001 a Space Odyssey as a Picasso painting where every frame is a Picasso painting
it's quite something to look at right but there's a bit of noise because you know
The input changes even slightly some is going to change on the output right and so it sort of flickers
To get it to get it to be smooth
You're gonna have to do some kind of extra processing
So I've come on this right you can you can download the code online. We'll put a link in the description
You can download it as long as you've got all graphics card
You can start putting
Random pictures of horses in turn them into random pictures of zebras and feel bit pleased of yourself
These kind of Gans are being used for all kinds of things that you see like a super resolution
For example way taking a very low resolution
Image and you want to sort of blow it up so we can see a lot of fine detail

English: 
You know, that's sort of CSI. It harms in arts it zoom in on that. I
have some concerns about this because
One thing to remember is that these are trained to look nice. They're not trained to be an accurate
representation of
The ground truth specifically right? There's no if you take a blurry image and you know,
I'm saying this to cover my own back more anything else if you take a blurry image and you zoom it up and it looks
Like me, that's probably a coincidence
You can't trust that it was actually me maybe more but it makes you know
But my point is like you're not gonna be a loser in a court of law
Because it could be argued that it just created an interesting looking face. It's not created the actual face from these few pixels
This it's gonna be a while before we're looking at
Networks that can actually work out what truly someone look like
If you look at the input and output of this cycle can for example
You'll see that it'll take a horse and turn into a zebra and when it turns it back the images are close
But they're not the same often. The grant is a little bit muted

Turkish: 
Bilirsin, bu bir çeşit CSI. Yakınlaştırdığı sanata zarar veriyor. ben
Bu konuda bazı endişeleriniz var çünkü
Hatırlanması gereken bir şey, bunların güzel görünmek için eğitilmiş olmasıdır. Doğru olmak için eğitilmemişler
temsili
Temel gerçek, özellikle doğru mu? Bulanık bir görüntü çekersen ve bilirsin, hayır.
Bunu, bulanık bir görüntü çekip yakınlaştırıp uzaklaştıracak olursanız, kendi sırtımı daha fazla örtmek için söylüyorum.
Benim gibi, bu muhtemelen bir tesadüf
Aslında benim daha fazla olduğuma güvenemezsin, ama seni tanıştırır.
Ama demek istediğim, mahkemede kaybeden olmayacaksın gibi.
Çünkü ilginç bir yüzünü yarattığı söylenebilir. Bu birkaç pikselden asıl yüzü oluşturmamış
Bu biz bakmadan önce bir süre olacak
Gerçekten birinin neye benzediğini çözebilecek ağlar
Örneğin, bu döngünün girişine ve çıkışına bakarsanız,
Bir atın alacağını ve bir zebraya dönüşeceğini ve geri döndüğünde görüntülerin yakın olduğunu göreceksiniz
Ama onlar aynı sık değildir. Hibe biraz sessiz

Turkish: 
Muhtemelen bence daha önce kurutma çimlerin üzerinde olma eğilimindedir. Ben ovalardan falan türdüm, değil mi?
Böylece, bununla başa çıkmak için görüntünün geri kalanını da değiştirir
Yani bu ilginç şeyler süper çözünürlük yapıyor. Bunun için kullanılan bir şey
MRI gibi bir tıbbi görüntünün bir alanından BT taramasına dönüşen tıbbi görüntüleme değil mi? Çok endişeliyim
Bunun için dava kullanmazdım ama biliyorsun
İnsanların yüzlerini ve derin sahte gibi şeyleri yaptıkları son Samson videosunda yapılabilecek pek çok şey var.
Doğru, bu sadece ahlaki olarak sorgulanabilir diyebilirim ama bunlar Joseph'in rakip ağları kullanılarak üretilen şeyler.
Gürültü veya başka görüntüler veya pozlar olan girişleri mi alıyorsunuz?
Bir surat yapmaya çalışıyorsanız ve görüntü oluştururken bu şeye benzeyen tahminler.
Yani, bunun farklı bitlerinin istediğiniz sonucu elde etmek için ne yaptığını kontrol etmenin birçok yolu var
Şifreleme ve özellikle modern şifreleme türleri ve nasıl çalıştığı

English: 
I think probably because there's ever tend to be on dryer grass. I'm sort of the plains and stuff, right?
So it changes the rest of the image as well to deal with this
So these interesting things there does so super-resolution. It's one thing that's used for
Medical imaging converting from one domain of medical image like an MRI to a CT scan right? I'm quite worried
I wouldn't use case for that is but you know
There's a lot these sort of things can be done the recent Samson video where they had people's faces and things like deep fakes
Right, which are I would just say morally questionable, but these are all things generated using these Joseph's adversarial networks
You're taking inputs which are you know noise or other images or pose?
Estimations if you're trying to make a face do and when it's generating an image what looks like that thing
So there's lots of ways of controlling what different bits of this do to get an output that you want
Encryption and specifically kind of modern encryption and how it works

Turkish: 
Şimdi doğrudan Gelişmiş Şifreleme standardı gibi bir şeye geçmeden önce. SP ağları hakkında konuşmak istedim
veya
İkame permütasyon ağları çünkü hepsi modern değil, çoğu simetrik olan modern şifrelemenin temelidir.

English: 
Now Before we jump straight into something like the Advanced Encryption standard. I wanted to talk about SP networks
or
substitution permutation networks because they are the basis for a lot of modern cryptography not all of it, but a lot of symmetrical
