هوش مصنوعی عکسهای با وضوح پایین را بهبود میبخشد
![هوش مصنوعی عکسهای با وضوح پایین را بهبود میبخشد](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt.jpg)
فهرست مطالب
به نظر می رسد استفاده از هوش مصنوعی برای بهبود تصاویر محدودیتی ندارد . مجموعه ای از تحقیقات در نرم افزارهای تجربی با توانایی آن در بهبود رزولوشن عکس ها به گونه ای که تا آن زمان فقط در سریال های پلیسی که در تلویزیون می بینیم ممکن به نظر می رسید، تحت تاثیر قرار گرفته است.
بیایید ارتقاء دهیم. وب سایت جدیدی که از شبکه های عصبی برای بهبود عکس ها استفاده می کند یکی از این ویژگی های جدید است. این سرویس جزئیات و بافتهایی را که در عکسها وجود ندارد، بهبود میبخشد و روشن میکند. اخیراً، دانشمندان آلمانی توسعه EnhanceNet-PAT را اعلام کردند، الگوریتمی که قادر است وضوح تصاویر را به روشی ترسناک بازیابی کند.
Let's Enhance
Let's Enhance وب سایتی است که از سیستم عصبی استفاده می کند. شبکه برای بهبود عکسها و به گونهای طراحی شده است که مینیمالیست و برای استفاده آسان باشد. صفحه اصلی از شما دعوت می کند که یک عکس را به مرکز بکشید و رها کنید. هنگامی که عکس شما دریافت شد، شبکه عصبی جزئیات و بافتها را بهبود میبخشد و آنها را روشن میکند تا عکس طبیعی به نظر برسد.
هر بار که عکسی را آپلود میکنید، 3 نتیجه ایجاد میشود: Anti-JPEG فیلتر به سادگی مصنوعات JPEG را حذف میکند، فیلتر Boring ارتقاء را انجام میدهد، جزئیات و لبههای موجود را حفظ میکند، و فیلتر Magic جزئیات جدیدی را در عکس ترسیم میکند که قبلاً وجود نداشتند (با استفاده از هوش مصنوعی).
باید چند دقیقه صبر کنید تا کار انجام شود ،اما ارزشش را دارد - نتایج به دست آمده واقعاً چشمگیر است. وب سایت PetaPixel با استفاده از یک عکس تبلیغاتی از دوربین Rylo که به تازگی منتشر شده است، مجموعه ای از آزمایش ها را با این سیستم انجام داد. تصویر اصلی را ببینید:
سپس اندازه تصویر به عرض 500 پیکسل تغییر یافت.
عکس با عرض 500 پیکسل سپس با استفاده از گزینه «حفظ جزئیات (بزرگ شدن)» در فتوشاپ مجدداً نمونهبرداری شد و با استفاده از گزینه «حفظ جزئیات (بزرگنمایی)» عکسی با بافتهای وحشتناک تولید کرد (انگشتها را ببینید):
اما نمونهبرداری مجدد از عکس 500 پیکسلی با استفاده از Let's Enhance یک نسخه بسیار تمیزتر از تصویر تولید کرد که بافت های واقعی دست را بازیابی کرد:
در اینجا یک مقایسه برش وجود دارد تا به شما کمک کند تفاوت را راحت تر ببینید:
نمونه های دیگر را ببینید:
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-5.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-6.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-7.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-8.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-9.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-10.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-11.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-12.jpg)
![](/wp-content/uploads/dicas-de-fotografia/2911/1kitxl35yt-13.jpg)
Let's Enhance ایجاد شد توسط Alex Savsunenko و Vladislav Pranskevičius، Ph.D. شیمی و یک CTO سابق به ترتیب، که در دو ماه و نیم گذشته مشغول ساخت نرم افزار بوده اند. این سیستم در حال حاضر در مرحله اول استساوسوننکو میگوید: «شبکه عصبی فعلی «بر روی زیرمجموعهای از تصاویر بسیار بزرگ که شامل پرترهها با نرخ تقریباً 10 درصد میشدند، آموزش داده شد.
>او توضیح می دهد که ایده ایجاد شبکه های جداگانه برای هر نوع تصویر و شناسایی نوع بارگذاری شده و اعمال یک شبکه مناسب است. نسخه فعلی نتایج بهتری با تصاویر حیوانات و مناظر به دست آورده است.
EnhanceNet-PAT
EnhanceNet-PAT یک الگوریتم جدید است که توسط دانشمندان موسسه Max Planck برای سیستم های هوشمند در توبینگن توسعه یافته است. در آلمان. این فناوری جدید نیز نتایج چشمگیری را نشان داده است. در زیر نمونه ای با عکس اصلی یک پرنده آورده شده است:
دانشمندان عکس را گرفته و این عکس را ایجاد کردند. نسخه با وضوح پایین که در آن تمام جزئیات دقیق از بین می رود:
همچنین ببینید: 10 نکته برای عکاسی از بچه گربه ها
نسخه با وضوح پایین سپس توسط EnhanceNet-PAT پردازش شد، و یک نسخه با کیفیت بالا به طور مصنوعی بهبود یافته ایجاد شد که عملاً از عکس اصلی قابل تشخیص نیست.
فناوری های ارتقاء مقیاس سنتی سعی می کنند پیکسل ها و جزئیات از دست رفته را با محاسبه بر اساس پیکسل های اطراف پر کنند. با این حال، نتایج این نوع استراتژی ها رضایت بخش نبوده است. آنچه دانشمندان اکنون در حال بررسی هستند استفاده از آن است هوش مصنوعی به طوری که دستگاه با مطالعه نسخههای اصلی با وضوح بالا، یاد میگیرد که عکسهای با وضوح پایین چگونه باید باشند.
پس از آموزش به این روش، الگوریتمها میتوانند عکسهای جدیدی بگیرند. تصویری با وضوح پایین و حدس بهتری در یک نسخه اصلی و با وضوح بالا از آن عکس.
«با توانایی تشخیص و تولید الگوها در یک تصویر با وضوح پایین و اعمال آن الگوها در نمونهبرداری بالا. در فرآیند، EnhanceNet-PAT به این فکر می کند که پرهای پرنده چگونه باید باشد و بر این اساس پیکسل های اضافی را به تصویر با وضوح پایین اضافه می کند.» موسسه Max Planck می گوید.
برای کسب اطلاعات بیشتر در مورد جزئیات فنی EnhanceNet-PAT، به وبسایت پروژه تحقیقاتی بروید.