Tekoälyn käyttö kuvien parantamiseen näyttää siltä, että ei ole rajoja Erilaiset kokeelliset ohjelmistotutkimukset ovat olleet vaikuttavia kyvyiltään parantaa valokuvan resoluutio tavalla, joka siihen asti näytti mahdolliselta vain televisiossa nähtävissä poliisisarjoissa.

Let's Enhance, uusi verkkosivusto, joka käyttää neuroverkkoja valokuvien parantamiseen, on yksi tällainen uusi resurssi. Palvelu parantaa ja selventää valokuvista puuttuvia yksityiskohtia ja tekstuureja. Hiljattain saksalaiset tutkijat ovat ilmoittaneet kehittäneensä EnhanceNet-PAT-algoritmin, joka voi palauttaa kuvan terävyyden pelottavalla tavalla.

Parannetaan

Let's Enhance on verkkosivusto, joka käyttää neuroverkkoja valokuvien parantamiseen, ja se on suunniteltu minimalistiseksi ja helppokäyttöiseksi. Etusivulla kehotetaan vetämään ja pudottamaan valokuva keskelle. Kun kuva on vastaanotettu, neuroverkko parantaa ja selventää yksityiskohtia ja kuvioita, jotta kuva näyttää luonnolliselta.

Joka kerta, kun lataat valokuvan, saadaan kolme tulosta: Anti-JPEG-suodatin yksinkertaisesti poistaa JPEG-artefaktat, Boring-suodatin suurentaa, säilyttäen olemassa olevat yksityiskohdat ja reunat, ja Magic-suodatin piirtää ja hallusinoi valokuvaan uusia yksityiskohtia, joita kuvassa ei todellisuudessa ollut aiemmin (tekoälyn avulla).

Työn valmistumista on odotettava muutama minuutti. PetaPixel-sivusto on tehnyt järjestelmällä testisarjan, jossa on käytetty juuri markkinoille tulleen Rylo-kameran julkisuuskuvaa. Katso alkuperäinen kuva:

Sen jälkeen kuvan kokoa muutettiin 500px leveäksi.

Katso myös: Uusi 83 megapikselin kuva Auringosta on historian paras kuva tähdestä.

500px leveä valokuva skaalattiin Photoshopissa 2000px leveäksi käyttämällä "Säilytä yksityiskohdat (suurennos)" -valintaa, jolloin saatiin valokuva, jossa oli hirvittäviä tekstuureja (katso sormet):

Mutta 500px:n valokuvan uudelleenkokoonpano Let's Enhance -ohjelmalla tuotti kuvasta paljon puhtaamman version, jossa käsien realistiset tekstuurit oli palautettu:

Tässä on leikkeleiden vertailu, jotta näet eron helpommin:

Katso muita esimerkkejä:

Alkuperäinen rajaus Linnea Sandbakkin valokuvasta. Upscale Photoshopilla Upscale kanssa Let's Enhance Alkuperäinen leikkaus Brynna Spencerin valokuvasta. Upscale Photoshopilla Upscale kanssa Let's Enhance Alkuperäinen leikkaus kuvasta, joka on otettu Pexelsin kuvapankista. Upscale Photoshopilla Upscale kanssa Let's Enhance

Let's Enhance -ohjelmiston ovat luoneet Alex Savsunenko ja Vladislav Pranskevičius, kemian tohtori ja entinen teknologiajohtaja, jotka ovat rakentaneet ohjelmistoa viimeiset kaksi ja puoli kuukautta. Järjestelmä on tällä hetkellä ensimmäisessä versiossaan, ja sitä parannetaan jatkuvasti käyttäjien tarpeiden ja palautteen perusteella.

Nykyinen neuroverkko "koulutettiin hyvin laajalla kuvien osajoukolla, joka sisälsi muotokuvia noin 10 prosentin osuudella", Savsunenko sanoo.

Hän selittää, että ideana on luoda erilliset verkot kullekin kuvatyypille ja tunnistaa ladattu kuvatyyppi ja soveltaa sopivaa verkkoa. Nykyisellä versiolla on saatu parempia tuloksia eläin- ja maisemakuvien kanssa.

EnhanceNet-PAT

EnhanceNet-PAT on uusi algoritmi, jonka tutkijat ovat kehittäneet Max Planck Institute for Intelligent Systems -instituutissa Tübingenissä, Saksassa. Tämä uusi tekniikka on myös osoittanut vaikuttavia tuloksia. Katso alla oleva esimerkki, jossa on alkuperäinen lintukuva:

Tutkijat ovat ottaneet valokuvan ja luoneet siitä tämän matalan resoluution version, jossa kaikki hienot yksityiskohdat ovat kadonneet:

Tämän jälkeen matalaresoluutioinen versio käsiteltiin EnhanceNet-PAT-ohjelmalla, joka loi keinotekoisesti parannettu teräväpiirto joka on käytännössä erottamaton alkuperäisestä kuvasta.

Perinteiset skaalaustekniikat yrittävät täyttää puuttuvat pikselit ja yksityiskohdat laskemalla ympäröivien pikselien perusteella. Tällaisten strategioiden tulokset ovat kuitenkin olleet epätyydyttäviä. Tutkijat tutkivat nyt, miten käyttää keinotekoinen älykkyys niin, että kone "oppii", miltä matalaresoluutioisten valokuvien pitäisi näyttää tutkimalla alkuperäisiä korkearesoluutioisia versioita.

Katso myös: Google voi nyt kääntää myös valokuvissa olevan tekstin

Kun algoritmit on koulutettu tällä tavoin, ne voivat ottaa uusia matalan resoluution valokuvia ja arvata paremmin valokuvan "alkuperäisen" korkean resoluution version.

"EnhanceNet-PAT pystyy havaitsemaan ja tuottamaan kuvioita matalaresoluutioisessa kuvassa ja soveltamaan näitä kuvioita näytteenottoprosessiin, joten se miettii, miltä linnun höyhenien pitäisi näyttää, ja lisää matalaresoluutioiseen kuvaan sen mukaisesti ylimääräisiä pikseleitä", Max Planck -instituutti kertoo.

Lisätietoja EnhanceNet-PAT:n teknisistä yksityiskohdista saat tutkimushankkeen verkkosivuilta.