Användning av artificiell intelligens för bildförbättring verkar har inga gränser En rad experimentella programvaruundersökningar har varit imponerande i sin förmåga att förbättra fotoupplösning på ett sätt som fram till dess bara verkade möjligt i polisserier som vi ser på TV.

Let's Enhance, en ny webbplats som använder neurala nätverk för att förbättra fotografier, är en sådan ny resurs. Tjänsten förbättrar och förtydligar saknade detaljer och texturer i foton. På senare tid har tyska forskare tillkännagivit utvecklingen av EnhanceNet-PAT, en algoritm som kan återställa bildens skärpa på ett skrämmande sätt.

Låt oss förbättra

Let's Enhance är en webbplats som använder neurala nätverk för att förbättra foton och är utformad för att vara minimalistisk och enkel att använda. På hemsidan uppmanas du att dra och släppa ett foto i mitten. När ditt foto har tagits emot förbättrar och förtydligar det neurala nätverket detaljer och texturer för att få fotot att se naturligt ut.

Se även: 16 gratis Midjourney-uppmaningar för att skapa bilder för olika områden

Varje gång du laddar upp ett foto skapas 3 resultat: Anti-JPEG-filtret tar helt enkelt bort JPEG-artefakter, Boring-filtret skalar upp och bevarar befintliga detaljer och kanter och Magic-filtret ritar och hallucinerar fram nya detaljer i fotot som faktiskt inte fanns där tidigare (med hjälp av AI).

Du kommer att behöva vänta några minuter på att jobbet ska bli klart Webbplatsen PetaPixel har gjort en rad tester med systemet med hjälp av ett reklamfoto av kameran Rylo, som just har lanserats. Se originalbilden:

Se även: 7 tekniker för fotokomposition som används i serien The Queen's Gambit

Bilden ändrades sedan storlek till 500px bred.

Det 500px breda fotot ändrades sedan i Photoshop till 2000px brett med alternativet "Preserve Details (enlargement)", vilket gav ett foto med hemska texturer (se fingrarna):

Men en ny sampling av 500px-fotot med Let's Enhance gav en mycket renare version av bilden där den realistiska texturen på händerna hade återställts:

Här är en jämförelse av urklippen så att du lättare kan se skillnaden:

Se andra exempel:

Originalbeskärning av ett foto av Linnea Sandbakk Uppskalning med Photoshop Uppgradering med Let's Enhance Originalutklipp av ett foto av Brynna Spencer Uppskalning med Photoshop Uppgradering med Let's Enhance Originalutklipp av ett foto från bildbanken Pexels Uppskalning med Photoshop Uppgradering med Let's Enhance

Let's Enhance skapades av Alex Savsunenko och Vladislav Pranskevičius, doktor i kemi respektive tidigare CTO, som har byggt programvaran under de senaste två och en halv månaderna. Systemet är för närvarande i sin första version och kommer att förbättras kontinuerligt baserat på användarnas behov och feedback.

Det nuvarande neurala nätverket "tränades med en mycket bred undergrupp av bilder som innehöll porträtt i en omfattning av cirka 10 %", säger Savsunenko.

Han förklarar att tanken är att skapa separata nätverk för varje typ av bild och upptäcka vilken typ som laddats upp och tillämpa ett lämpligt nätverk. Den nuvarande versionen har uppnått bättre resultat med djur- och landskapsbilder.

EnhanceNet-PAT

EnhanceNet-PAT är en ny algoritm som utvecklats av forskare vid Max Planck Institute for Intelligent Systems i Tübingen, Tyskland. Denna nya teknik har också visat imponerande resultat. Se nedan ett exempel med ett originalfoto av en fågel:

Forskare har tagit fotot och skapat denna lågupplösta version där alla fina detaljer har gått förlorade:

Den lågupplösta versionen bearbetades sedan av EnhanceNet-PAT, vilket skapade en artificiellt förbättrad högupplöst som är praktiskt taget omöjlig att skilja från originalfotot.

Traditionella uppskalningstekniker försöker fylla i saknade pixlar och detaljer genom att beräkna baserat på omgivande pixlar. Resultaten av dessa typer av strategier har dock varit otillfredsställande. Vad forskare nu utforskar är användningen av artificiell intelligens så att maskinen "lär sig" hur lågupplösta foton ska se ut genom att studera de högupplösta originalversionerna.

När algoritmerna har tränats på detta sätt kan de ta nya lågupplösta foton och göra en bättre gissning av en "ursprunglig" högupplöst version av det fotot.

"Genom att kunna upptäcka och generera mönster i en lågupplöst bild och tillämpa dessa mönster i uppsamplingsprocessen, tänker EnhanceNet-PAT på hur fågelns fjädrar ska se ut och lägger till extra pixlar till den lågupplösta bilden", säger Max Planck-institutet.

För mer information om de tekniska detaljerna i EnhanceNet-PAT, besök forskningsprojektets webbplats.