Το μοντέλο AI μπορεί να πάρει θολές εικόνες και να ενισχύσει την ανάλυση έως 60 φορές

Ερευνητές από το Πανεπιστήμιο του Ντιούκ έχουν αναπτύξει ένα μοντέλο AI που είναι ικανό να λαμβάνει θολές, pixelated εικόνες και να τις αποδίδει με υψηλή λεπτομέρεια. Σύμφωνα με το TechXplore, το μοντέλο είναι ικανό να λαμβάνει σχετικά λίγα pixels και να κλιμακώνει τις εικόνες για να δημιουργήσει πραγματικές εικόνες προσώπων που είναι περίπου 64 φορές μεγαλύτερες από την ανάλυση της αρχικής εικόνας. Το μοντέλο φαντασιώνεται, ή φαντάζεται, χαρακτηριστικά που βρίσκονται μεταξύ των γραμμών της αρχικής εικόνας.

Η έρευνα είναι ένα παράδειγμα υπερ-ανάλυσης. Όπως εξήγησε η Cynthia Rudin από την ομάδα υπολογιστών του Πανεπιστημίου του Ντιούκ στο TechXplore, αυτό το ερευνητικό πρόγραμμα θέτει ένα ρεκόρ για την υπερ-ανάλυση, καθώς ποτέ trước από τώρα δεν έχουν δημιουργηθεί εικόνες με τέτοια λεπτομέρεια από ένα τόσο μικρό δείγμα αρχικών pixels. Οι ερευνητές ήταν προσεκτικοί να τονίσουν ότι το μοντέλο δεν αναδημιουργεί το πρόσωπο του ατόμου στην αρχική, χαμηλής ποιότητας εικόνα. Αντίθετα, δημιουργεί νέες εικόνες προσώπων, συμπληρώνοντας λεπτομέρειες που δεν υπήρχαν πριν. Για αυτόν τον λόγο, το μοντέλο δεν θα μπορούσε να χρησιμοποιηθεί για τίποτα σαν συστήματα ασφαλείας, καθώς δεν θα ήταν σε θέση να μετατρέψει θολές εικόνες σε εικόνες πραγματικών ατόμων.

Οι παραδοσιακές τεχνικές υπερ-ανάλυσης λειτουργούν με την κάνουν εικασίες για ποια pixels χρειάζονται για να μετατρέψουν την εικόνα σε υψηλής ανάλυσης εικόνα, με βάση εικόνες που το μοντέλο έχει μάθει από πριν. Επειδή τα πρόσθετα pixels είναι αποτέλεσμα εικασίων, όχι όλα τα pixels θα ταιριάζουν με τα γύρω pixels και ορισμένες περιοχές της εικόνας μπορεί να φαίνονται θολές ή παραμορφωμένες. Οι ερευνητές από το Πανεπιστήμιο του Ντιούκ χρησιμοποίησαν μια διαφορετική μέθοδο εκπαίδευσης του μοντέλου AI. Το μοντέλο που δημιουργήθηκε από τους ερευνητές του Ντιούκ λειτουργεί με την λήψη αρχικά χαμηλής ανάλυσης εικόνων και την προσθήκη λεπτομερειών στην εικόνα με την πάροδο του χρόνου, αναφερόμενο σε υψηλής ανάλυσης εικόνες που έχουν δημιουργηθεί από το AI. Το μοντέλο αναφέρεται στις εικόνες που έχουν δημιουργηθεί από το AI και προσπαθεί να βρει αυτές που μοιάζουν με τις στόχους εικόνες όταν οι εικόνες που έχουν δημιουργηθεί από το AI缩ονται στο μέγεθος της στόχου εικόνας.

Η ερευνητική ομάδα δημιούργησε ένα μοντέλο Generative Adversarial Network για να χειριστεί τη δημιουργία νέων εικόνων. Τα GANs είναι στην πραγματικότητα δύο νευρωνικά δίκτυα που εκπαιδεύονται στο ίδιο σύνολο δεδομένων και αντιπαρατίθενται ο ένας στον άλλον. Το ένα δίκτυο είναι υπεύθυνο για τη δημιουργία ψευδών εικόνων που μιμούνται τις πραγματικές εικόνες στο σύνολο εκπαίδευσης, ενώ το δεύτερο δίκτυο είναι υπεύθυνο για την ανίχνευση των ψευδών εικόνων από τις γνήσιες. Το πρώτο δίκτυο ειδοποιείται όταν οι εικόνες του έχουν αναγνωριστεί ως ψεύτικες και βελτιώνεται μέχρι οι ψεύτικες εικόνες να είναι ελπίζουμε ότι δεν μπορούν να διακριθούν από τις γνήσιες εικόνες.

Οι ερευνητές έχουν ονομάσει το μοντέλο υπερ-ανάλυσης τους PULSE, και το μοντέλο παράγει συνεχώς υψηλής ποιότητας εικόνες ακόμη και όταν λαμβάνει εικόνες τόσο θολές που άλλες μεθόδους υπερ-ανάλυσης δεν μπορούν να δημιουργήσουν υψηλής ποιότητας εικόνες από αυτές. Το μοντέλο είναι ακόμη ικανό να δημιουργεί πραγματικές εικόνες προσώπων από εικόνες όπου τα χαρακτηριστικά του προσώπου είναι σχεδόν αδιάκριτα. Για παράδειγμα, όταν λαμβάνει μια εικόνα προσώπου με ανάλυση 16×16, μπορεί να δημιουργήσει μια εικόνα 1024 x 1024. Περισσότερα από ένα εκατομμύριο pixels προστίθενται κατά τη διάρκεια αυτής της διαδικασίας, συμπληρώνοντας λεπτομέρειες όπως τρίχες, ρυτίδες και ακόμη και φωτισμό. Όταν οι ερευνητές ζήτησαν από ανθρώπους να βαθμολογήσουν 1440 εικόνες που δημιουργήθηκαν από το PULSE σε σύγκριση με εικόνες που δημιουργήθηκαν από άλλες μεθόδους υπερ-ανάλυσης, οι εικόνες που δημιουργήθηκαν από το PULSE βαθμολογήθηκαν συνεχώς ως οι καλύτερες.

Ενώ οι ερευνητές χρησιμοποίησαν το μοντέλο τους σε εικόνες προσώπων, οι ίδιες τεχνικές που χρησιμοποιούν θα μπορούσαν να εφαρμοστούν σε几乎 οποιοδήποτε αντικείμενο. Χαμηλής ανάλυσης εικόνες διαφόρων αντικειμένων θα μπορούσαν να χρησιμοποιηθούν για να δημιουργήσουν υψηλής ανάλυσης εικόνες του συνόλου αυτών των αντικειμένων, ανοίγοντας πιθανές εφαρμογές για eine ποικιλία διαφορετικών βιομηχανιών και πεδίων από τη μικροσκοπία, τη δορυφορική εικόνα, την εκπαίδευση, τη βιομηχανία και την ιατρική.