Deep Learning Formt Die Rundfunkindustrie Um

Deep Learning ist in vielen Bereichen zu einem Buzzword geworden, und auch Rundfunkorganisationen müssen beginnen, alle Möglichkeiten zu erkunden, die es bietet, von Nachrichtenberichterstattung bis hin zu Spielfilmen und Programmen, sowohl im Kino als auch im Fernsehen.

Wie TechRadar berichtet, gibt es bereits viele Möglichkeiten, die Deep Learning im Bereich der Videoproduktion, -bearbeitung und -katalogisierung bietet. Aber wie bereits erwähnt, ist diese Technologie nicht nur auf repetitive Aufgaben im Rundfunk beschränkt, da sie auch den kreativen Prozess verbessern, die Videowiedergabe optimieren und die massiven Videoarchive, die viele Studios aufbewahren, erhalten kann.

Was die Videogenerierung und -bearbeitung betrifft, so wird erwähnt, dass Warner Bros. kürzlich 25 Millionen Dollar für Nachdrehs für “Justice League” ausgeben musste und ein Teil des Geldes für die digitale Entfernung eines Schnurrbarts verwendet wurde, den der Star Henry Cavill hatte und nicht rasieren konnte, weil er eine andere Verpflichtung hatte. Die Verwendung von Deep Learning in solchen zeitaufwändigen und finanziell aufwändigen Prozessen in der Postproduktion wird sicherlich sinnvoll eingesetzt.

Selbst weit verbreitete Lösungen wie Flo ermöglichen es, Deep Learning zu verwenden, um automatisch ein Video zu erstellen, indem man einfach seine Idee beschreibt. Die Software sucht dann nach möglichen relevanten Videos, die in einer bestimmten Bibliothek gespeichert sind, und bearbeitet sie automatisch zusammen.

Flo kann auch Videos sortieren und klassifizieren, was es einfacher macht, einen bestimmten Teil des Footage zu finden. Solche Technologien ermöglichen es auch, unerwünschtes Footage leicht zu entfernen oder eine persönliche Empfehlungsliste auf der Grundlage eines Videos zu erstellen, das jemand interessant findet.

Google (GOOGL ) hat ein neuronales Netzwerk entwickelt, das automatisch den Vordergrund und den Hintergrund eines Videos trennen kann. Was früher eine Grüne Wand erforderte, kann jetzt ohne spezielle Ausrüstung gemacht werden.

Der Deep Fake hat sich bereits einen Namen gemacht, sowohl gut als auch schlecht, aber seine mögliche Verwendung in Spezialeffekten hat bereits ein hohes Niveau erreicht.

Der Bereich, in dem Deep Learning sicherlich einen Unterschied machen wird, ist die Restaurierung von klassischen Filmen, da das UCLA Film- und Fernseharchiv fast die Hälfte aller vor 1950 produzierten Filme verschwunden sind und 90% der klassischen Filmkopien derzeit in sehr schlechtem Zustand sind.

Die Farbgebung von Schwarz-Weiß-Footage ist immer noch ein umstrittenes Thema unter Filmemachern, aber diejenigen, die sich dafür entscheiden, können jetzt Nvidia-Tools verwenden, die diesen langwierigen Prozess erheblich verkürzen, da der Künstler nur ein Frame einer Szene färben muss und Deep Learning den Rest übernimmt. Andererseits hat Google eine Technologie entwickelt, die in der Lage ist, einen Teil einer videorekordierten Szene basierend auf Start- und Endframes zu rekonstruieren.

Gesichts-/Objekterkennung wird bereits aktiv verwendet, von der Klassifizierung einer Video-Sammlung oder eines Archivs bis hin zur Suche nach Clips mit einem bestimmten Schauspieler oder Nachrichtensprecher oder der Zählung der genauen Zeit, die ein Schauspieler in einem Video oder Film auftritt. TechRadar erwähnt, dass Sky News kürzlich Gesichtserkennung verwendet hat, um berühmte Gesichter auf der königlichen Hochzeit zu identifizieren.

Diese Technologie wird jetzt auch im Sportrundfunk verwendet, um beispielsweise die Bewegungen des Balls zu verfolgen oder andere wichtige Elemente des Spiels zu identifizieren, wie das Tor. Im Fußball wird diese Technologie, die den Namen VAR trägt, tatsächlich in vielen offiziellen Turnieren und nationalen Ligen als Hilfsmittel für den Schiedsrichter während des Spiels verwendet.

Streaming ist ein weiterer Aspekt des Rundfunks, der von Deep Learning profitieren kann. Neuronale Netze können hochauflösende Frames aus niedrigauflösenden Eingaben rekonstruieren, was es dem Betrachter ermöglicht, von einer besseren Wiedergabe zu profitieren, auch wenn das ursprüngliche Eingabesignal nicht den Standards entspricht.