Dit neurale netwerk kan je wazige beelden weer perfecte kwaliteit maken

Er is niets erger dan een afbeelding op uw computer te openen om erachter te komen dat het zo korrelig is dat u het niet eens kunt laten zien.

Sommige mensen zouden kunnen zeggen een betere camera te krijgen. Deze mensen zijn gemeen. Maar computerwetenschappers - de goede, behulpzame mensen - zeggen dat ze een neuraal netwerk gebruiken, een computersysteem dat is ontworpen om het denken van het menselijk brein na te bootsen.

Drie computerwetenschappers van de Universiteit van Oxford en het Skolkovo Institute of Science and Technology in Moskou, die gespecialiseerd zijn in computervisie, hebben een neuraal net ontwikkeld dat die nutteloos gepixelde foto van avocadotoost kan maken tot een beeld dat perfect Instagrambaar is. Ze noemen het Deep Image Prior.

Neurale netwerken zijn losjes gemodelleerd om op het menselijk brein te lijken. Ze zijn opgebouwd uit duizenden knooppunten die ze gebruiken om beslissingen te nemen en te oordelen over de gegevens die aan hen worden gepresenteerd. Net als peuters, beginnen ze niets meer te weten, maar na een paar duizend trainingssessies kunnen ze snel beter worden dan mensen bij alledaagse taken.

Veel neurale netwerken worden getraind door hen grote datasets te geven, waardoor ze over een enorme hoeveelheid informatie beschikken als het gaat om het nemen van een beslissing.

Deep Image Prior heeft een andere aanpak. Het werkt alles uit alleen dat ene originele beeld, geen voorafgaande training nodig voordat het je waardeloze, beschadigde beeld weer in een high-res opname kan veranderen.

De drie computerwetenschappers gebruikten een generatornetwerk om wazige foto's duizenden keren opnieuw te tekenen totdat het er zo goed in is dat het een betere afbeelding creëert dan het origineel. Het gebruikt de bestaande invoer als context om de ontbrekende of beschadigde onderdelen in te vullen. Sommige resultaten waren zelfs beter dan de output van vooraf getrainde neurale netwerken.

"Het netwerktype vult de beschadigde regio's met texturen van dichtbij," zei Dmitry Ulyanov, co-auteur van het onderzoek in een reddit-post.

Hij gaf toe dat er een aantal gevallen zijn waarbij het netwerk zou falen, zoals de complexiteit van het reconstrueren van het menselijk oog: "Het duidelijke falen zou alles zijn wat te maken heeft met semantisch inpainten, b. inpaint een regio waar je verwacht een oog te zijn - onze methode weet niets over gezichts semantiek en zal de corrupte regio met wat texturen vullen."

Naast het herstellen van foto's kon Deep Image Prior ook met succes geplaatste tekst over afbeeldingen verwijderen. Wat de zorg oproept dat dit model kan worden gebruikt om watermerken of andere auteursrechtinformatie van afbeeldingen online te verwijderen. Een reële mogelijkheid die misschien over het hoofd werd gezien tijdens dit onderzoek.

Dit experiment bewijst dat je geen toegang nodig hebt tot een kolossale dataset om een ​​functionerend neuraal netwerk te creëren. Naast al het goede dat dit voor uw map met foto's zou kunnen betekenen, zou dit uiteindelijk de meest duurzame bijdrage van dit project kunnen zijn.