توفر Pixelmator دقة فائقة مدفوعة بالذكاء الاصطناعي لمستخدميها

أتاح Pixelmator مؤخرًا لمالكي Pixelmator Pro ، وهو تطبيق لمعالجة الصور ، الاستفادة من أداة فائقة الدقة مدعومة بالذكاء الاصطناعي.

تتيح الدقة الفائقة إمكانية تحسين الصور الباهتة منخفضة الدقة وتحسين دقة الصورة. تقنية الدقة الفائقة قادرة على شحذ الصور لتأثير مثير للإعجاب ، وغالبًا ما تستحضر "التعزيز" المجازي الذي غالبًا ما يُشاهد في عروض الجريمة. أعلنت شركة Pixelmator مؤخرًا عن إدراج أداة "ML Super Resolution" في إصدار Pro من برنامج تحرير الصور الخاص بها. يمكن رؤية عرض Pixelmator لبعض النتائج هنا.

تُظهر الاختبارات المبكرة للأداة أنها قادرة على تقليل التمويه في أنواع متعددة من الصور ، بما في ذلك النصوص والصور الفوتوغرافية والرسوم التوضيحية. مثل ذكرت من قبل The Verge، يبدو أيضًا أن النتائج التي تم إنشاؤها بواسطة البرنامج أفضل من أدوات ترقية الصور الأخرى ، والتي غالبًا ما تستخدم خوارزميات مثل أقرب الجيران وخوارزميات Bilinear.

تم إجراء الأبحاث حول الدقة الفائقة بواسطة مجموعة متنوعة من شركات التكنولوجيا مثل Google و Microsoft و Nvidia. صممت العديد من الشركات خوارزميات الدقة الفائقة الخاصة بها ، لكن الطريقة المستخدمة لتدريب الفرق فائقة الدقة تستخدم نفس المبادئ الأساسية.

يتم تدريب ML Supersolution وغيرها من الأدوات فائقة الدقة باستخدام أزواج من الصور ذات الدقة المنخفضة والعالية الدقة. عادةً ما تكون الصور منخفضة الدقة مجرد نسخ مصغرة من الصور العادية عالية الدقة. يتم إجراء مقارنات بين الصور ذات الدقة المنخفضة والعالية الدقة، وتتعلم خوارزميات التعلم الآلي كيف تختلف مناطق البكسل في الصور عالية الدقة عن الصور منخفضة الدقة. الهدف هو أن تتعلم الشبكات العصبية التمييز بين أنماط البكسل التي ستؤدي إلى صورة ذات دقة أعلى. ويمكنه بعد ذلك استخدام أنماط الاختلاف هذه للتنبؤ بمكان إضافة وحدات البكسل إلى الصورة لتحسين الدقة عند تقديمها مع صورة غير مرئية.

يمكن إنشاء تطبيقات فائقة الدقة باستخدام مجموعة متنوعة من الأساليب. على سبيل المثال، طريقة واحدة فائقة الدقة هو استخدام شبكات الخصومة التوليدية (GANs). شبكات GAN هي في الواقع شبكتان عصبيتان ضد بعضهما البعض ، تستعير مفاهيم من Game Theory مثل لعبة محصلتها الصفرية ونموذج الممثل-الناقد. بشكل أساسي ، تتمثل وظيفة إحدى الشبكات العصبية في إنشاء صور مزيفة ، بينما تتمثل مهمة الشبكة الأخرى في اكتشاف هذه الصور المزيفة. تسمى الشبكة التي تصنع المنتجات المقلدة بالمولد ، بينما الشبكة التي تكتشفها هي أداة التمييز.

في حالة أداة الدقة الفائقة الخاصة بـ Pixelmator ، تم إنشاء شبكة عصبية تلافيفية نفذت أيضًا كتلة "تكبير" تقوم بترقية الصورة بعد أن تمسح الطبقات التلافيفية 29 الصورة. يتم بعد ذلك معالجة مصفوفة الصور المكبرة وتحويلها مرة أخرى إلى صورة تقليدية ذات دقة محسنة. تحتوي الشبكة أيضًا على وظائف تعمل على تقليل التشويش على الصورة والتعامل مع عناصر الضغط ، بحيث لا يتم ترقية هذه الجوانب من الصورة. تعد خوارزميات Pixelmator أصغر بكثير من الخوارزميات المستخدمة في إعدادات البحث ، بحيث يمكن تضمينها في تطبيق Pixelmator Pro وتشغيلها على مجموعة متنوعة من الأجهزة. مجموعة البيانات التدريبية صغيرة إلى حد ما عند مقارنتها بمجموعات البيانات الأخرى المستخدمة في تطبيقات مماثلة ، تم استخدام 15000 عينة فقط لتدريب الخوارزميات.

وفقًا لـ The Verge ، هناك أدوات أخرى فائقة الدقة متاحة للاستخدام من قبل المستهلكين. على سبيل المثال ، تمتلك Adobe أيضًا أداة فائقة الدقة في مجموعة Adobe Camera الخاصة بها ، ولكن يبدو أن أداة Pixelmator تنتج الصور عالية الجودة باستمرار.