يمكن أن يُحسن نموذج الذكاء الاصطناعي الصور المُتضخمة ويعزز دقتها بمقدار 60 مرة

قام باحثون من جامعة ديوك بتطوير نموذج ذكاء اصطناعي قادر على أخذ صور مُتضخمة ومُقطعة النقاط وتصويرها بالتفاصيل العالية. وفقًا لـ TechXplore، يمكن للنموذج أخذ عدد قليل من النقاط وضخامة الصور لإنشاء وجوه واقعية تبدو حقيقية بمقاس يصل إلى 64 ضعف دقة الصورة الأصلية. يخمن النموذج أو يتخيل الميزات التي تقع بين خطوط الصورة الأصلية.

يُعد هذا البحث مثالًا على ال超-دقة. كما أوضحت سينثيا رودين من فريق علوم الحاسوب بجامعة ديوك لـ TechXplore، يُعد هذا مشروع بحثي يحمل الرقم القياسي ل超-الدقة، حيث لم تُنشأ صور من قبل بدقة如此 من عينة صغيرة من النقاط الأولية. كان الباحثون حريصين على التأكيد على أن النموذج لا يعادة إنشاء وجه الشخص في الصورة الأصلية منخفضة الجودة. بدلاً من ذلك، يُنشئ وجوه جديدة، ويملأ التفاصيل التي لم تكن موجودة من قبل. لهذا السبب، لا يمكن استخدام النموذج لأي شيء مثل أنظمة الأمان، لأنه لن يتمكن من تحويل الصور غير واضحة إلى صور لشخص حقيقي.

تعمل تقنيات ال超-دقة التقليدية عن طريق تخمين النقاط اللازمة لتحويل الصورة إلى صورة بدقة عالية، بناءً على الصور التي تعلمها النموذج من قبل. نظرًا لأن النقاط الإضافية هي نتيجة لالتقديرات، لن تتطابق جميع النقاط مع النقاط المحيطة بها، ويمكن أن تبدو بعض مناطق الصورة مُتضخمة أو مشوهة. استخدم باحثو جامعة ديوك طريقة مختلفة لتدريب نموذج الذكاء الاصطناعي. يعمل النموذج الذي أنشأه باحثو ديوك عن طريق أخذ صور بدقة منخفضة وإضافة التفاصيل إلى الصورة مع مرور الوقت، مع الإشارة إلى وجوه بدقة عالية تم إنشاؤها بواسطة الذكاء الاصطناعي كأمثلة. يشير النموذج إلى وجوه تم إنشاؤها بواسطة الذكاء الاصطناعي ويتحاول العثور على وجوه تشبه الصور المستهدفة عند تصغير الوجوه المُنشأة إلى حجم الصور المستهدفة.

أنشأ فريق البحث نموذج شبكة عصبونية منافسة لتعامل مع إنشاء صور جديدة. في الواقع، شبكات عصبونية متعددة يتم تدريبها على نفس مجموعة البيانات وتواجه بعضها البعض. تعمل الشبكة الأولى على إنشاء صور وهمية تقلد الصور الحقيقية في مجموعة التدريب، بينما تعمل الشبكة الثانية على كشف الصور الوهمية من الصور الأصلية. يتم إعلام الشبكة الأولى عند تحديد صورها على أنها وهمية، وتحسن حتى تصبح الصور الوهمية على أمل أنها لا تُفرق عن الصور الأصلية.

أطلق الباحثون على نموذج ال超-دقة PULSE، وينتج النموذج باستمرار صور ذات جودة عالية حتى عند إعطائه صور مُتضخمة بدرجة أن أساليب ال超-دقة الأخرى لا تستطيع إنشاء صور عالية الجودة منها. يمكن للنموذج حتى إنشاء وجوه تبدو حقيقية من صور حيث تكون ميزات الوجه شبه غير قابلة للتفرقة. على سبيل المثال، عند إعطائه صورة لوجه بدقة 16×16، يمكنه إنشاء صورة 1024 x 1024. يتم إضافة أكثر من مليون نقطة خلال هذا العملية، وتعبئة التفاصيل مثل خيوط الشعر، والتجاعيد، وحتى الإضاءة. عندما قام الباحثون بتحفيز الناس على تقييم 1440 صورة تم إنشاؤها بواسطة PULSE مقابل صور تم إنشاؤها بواسطة تقنيات ال超-دقة الأخرى، سجلت صور PULSE المُنشأة باستمرار أعلى التقييمات.

في حين استخدم الباحثون نموذجهم على صور لوجوه الناس، يمكن تطبيق نفس التقنيات التي يستخدمونها على أي كائن تقريبًا. يمكن استخدام صور ذات دقة منخفضة لإنشاء صور بدقة عالية للكائنات، مما يفتح المجال لتطبيقات محتملة لمجالات وصناعات مختلفة مثل المجهر، والصور الفضائية، والتعليم، والتصنيع، والطب.