Irudiak hobetzeko adimen artifiziala erabiltzeak badirudi ez duela mugarik . Software esperimentalean egindako ikerketek txundituta utzi dute argazkien bereizmena hobetzeko duen gaitasunagatik, ordura arte telebistan ikusten ditugun polizia-serieetan soilik posible zirudien moduan.

Hobetu dezagun. , argazkiak hobetzeko sare neuronalak erabiltzen dituen webgune berria da ezaugarri berri bat. Zerbitzuak argazkietan falta diren xehetasunak eta ehundurak hobetzen eta argitzen ditu. Duela gutxi, Alemaniako zientzialariek EnhanceNet-PAT-en garapena iragarri zuten, irudien zorroztasuna modu beldurgarrian berreskuratzea lortzen duen algoritmoa.

Let's Enhance

Let's Enhance neurala erabiltzen duen webgunea da. sareak argazkiak hobetzeko eta minimalista eta erabiltzeko erraza izateko diseinatuta dago. Hasierako orrialdeak argazki bat erdigunera arrastatu eta jaregitera gonbidatzen zaitu. Zure argazkia jaso ondoren, neurona-sareak xehetasunak eta ehundurak hobetzen eta argitzen ditu, argazkia naturala izan dadin.

Argazki bat kargatzen duzun bakoitzean, 3 emaitza sortzen dira: Anti-JPEG iragazkiak JPEG artefaktuak kentzen ditu, Boring-ek iragazkiak igoera egiten du, lehendik dauden xehetasunak eta ertzak gordez, eta Magic iragazkiak lehen ez zeuden argazkian xehetasun berriak marraztu eta haluzinatzen ditu (AI erabiliz).

Lana egiteko minutu batzuk itxaron beharko dituzu ,baina merezi du – lortutako emaitzak benetan ikusgarriak dira. PetaPixel webguneak proba batzuk egin zituen sistemarekin Rylo kameraren publizitate-argazki bat erabiliz, kaleratu berri dena. Ikusi jatorrizko irudia:

Ondoren, irudia 500 px-ko zabalerara aldatu zen.

Ikusi ere: Jendea zuzentzea: argazkilaria edonor objektiboaren aurrean erlaxatzen irakasten du

500 px-ko zabalera zuen argazkia zen. ondoren, Photoshop-en 2000 px-ko zabalerako laginketa "Konserbatu xehetasunak (handitzea)" aukera erabiliz testura izugarriko argazki bat sortuz (ikus hatzak):

Baina 500 px-eko argazkia erabiliz Let's Enhance-k eskuen ehundura errealistak berreskuratu zituen irudiaren bertsio askoz garbiagoa egin zuen:

Hona hemen mozketaren konparaketa bat, aldea errazago ikusten laguntzeko:

Ikusi beste adibide batzuk:

Ikusi ere: Irina Ionesco, alabari biluzik argazkiak ateratzeagatik kondenatu zuten argazkilariaLinnea Sandbakk-en argazki baten jatorrizko mozketaGoiagotu Photoshop-ekinEgokitu Let's Enhance-rekinJatorrizko mozketa argazki batetik Brynna Spencer-ekGoiagotu Photoshop-ekinEgokitu Let's Enhance-rekinPexels irudi-bankutik ateratako argazki baten jatorrizko mozketaEgokitu Photoshop-ekinEgokitu Let's Enhance-rekin

Let's Enhance-rekin sortu zen Alex Savsunenko eta Vladislav Pranskevičius, doktorea. kimika eta CTO ohi bat hurrenez hurren, azken bi hilabete eta erdietan softwarea eraikitzen aritu direnak. Gaur egun sistema 1ean dagobertsioa eta etengabe hobetuko da erabiltzailearen beharren eta iritzien arabera.

Gaur egungo sare neuronalak "erretratuak % 10eko tasa batean barne hartzen zituen irudi azpimultzo oso handi batean trebatu zen", dio Savsunenkok.

Ideia irudi mota bakoitzerako sare bereiziak sortzea eta kargatutako mota detektatu eta sare egokia aplikatzea dela azaltzen du. Egungo bertsioak emaitza hobeak lortu ditu animalien eta paisaien irudiekin.

EnhanceNet-PAT

EnhanceNet-PAT Tubingako Max Planck Institute for Intelligent Systems-eko zientzialariek garatutako algoritmo berria da, Alemanian. Teknologia berri honek ere emaitza ikusgarriak erakutsi ditu. Jarraian, txori baten argazki original batekin adibide bat dago:

Zientzialariek argazkia atera eta hau sortu zuten. bereizmen baxuko bertsioa, non xehetasun guztiak galtzen diren:

Bereizmen baxuko bertsioa EnhanceNet-PAT-ek prozesatu zuen, eta artifizialki hobetutako definizio altuko bertsioa<4 sortu zuen> hori ia ez da jatorrizko argazkitik bereizten.

Ohiko eskalatze teknologiak falta diren pixelak eta xehetasunak betetzen saiatzen dira inguruko pixeletan oinarrituta kalkulatuz. Hala ere, estrategia mota horien emaitzak ez dira onak izan. Zientzialariek orain aztertzen dutena erabilera da adimen artifiziala , makinak bereizmen baxuko argazkiek nolakoak izan behar duten "ikasi" dezan, bereizmen handiko jatorrizko bertsioak aztertuz.

Horrela trebatu ondoren, algoritmoek argazki berriak atera ditzakete. bereizmen baxuko irudia eta hobeto asma ezazu argazki horren bereizmen handiko bertsio "jatorrizko" batean.

" Bereizmen baxuko irudi batean ereduak detektatu eta sortzeko gai izanik eta eredu horiek gora-laginketan aplikatuz. prozesua, EnhanceNet-PAT-ek txorien lumak nolakoak izan behar duen pentsatzen du eta horren arabera bereizmen baxuko irudiari pixel gehigarriak gehitzen dizkio” dio Max Planck Institutuak.

EnhanceNet-PAT-en xehetasun teknikoei buruz gehiago jakiteko, joan ikerketa proiektuaren webgunera.