El modelo de inteligencia artificial puede tomar imágenes borrosas y mejorar la resolución hasta 60 veces

Los investigadores de la Universidad de Duke han desarrollado un modelo de inteligencia artificial capaz de tomar imágenes muy borrosas y pixeleadas y renderizarlas con gran detalle. Según TechXplore, el modelo es capaz de tomar relativamente pocos píxeles y ampliar las imágenes para crear caras realistas que son aproximadamente 64 veces la resolución de la imagen original. El modelo “halucina” o imagina características que están entre las líneas de la imagen original.

La investigación es un ejemplo de super-resolución. Como Cynthia Rudin del equipo de ciencias de la computación de la Universidad de Duke explicó a TechXplore, este proyecto de investigación establece un récord para la super-resolución, ya que nunca antes se han creado imágenes con tal claridad a partir de una muestra tan pequeña de píxeles iniciales. Los investigadores se cuidaron de enfatizar que el modelo no recrea la cara de la persona en la imagen de baja calidad original. En su lugar, genera nuevas caras, llenando detalles que no estaban allí antes. Por esta razón, el modelo no podría usarse para algo como sistemas de seguridad, ya que no podría convertir imágenes desenfocadas en imágenes de una persona real.

Las técnicas tradicionales de super-resolución operan haciendo conjeturas sobre qué píxeles se necesitan para convertir la imagen en una imagen de alta resolución, basándose en imágenes que el modelo ha aprendido con anterioridad. Debido a que los píxeles agregados son el resultado de conjeturas, no todos los píxeles coincidirán con los píxeles circundantes y ciertas regiones de la imagen pueden parecer borrosas o distorsionadas. Los investigadores de la Universidad de Duke utilizaron un método diferente para entrenar su modelo de inteligencia artificial. El modelo creado por los investigadores de Duke opera tomando primero imágenes de baja resolución y agregando detalles a la imagen con el tiempo, haciendo referencia a caras generadas por inteligencia artificial de alta resolución como ejemplos. El modelo hace referencia a las caras generadas por inteligencia artificial y trata de encontrar las que se asemejan a las imágenes objetivo cuando las caras generadas se reducen al tamaño de la imagen objetivo.

El equipo de investigación creó una red generativa adversaria para manejar la creación de nuevas imágenes. Las GAN son en realidad dos redes neuronales que se entrenan en el mismo conjunto de datos y se enfrentan entre sí. Una red es responsable de generar imágenes falsas que imitan las imágenes reales en el conjunto de datos de entrenamiento, mientras que la segunda red es responsable de detectar las imágenes falsas de las genuinas. La primera red es notificada cuando sus imágenes han sido identificadas como falsas, y mejora hasta que las imágenes falsas sean esperanzadoramente indistinguibles de las imágenes genuinas.

Los investigadores han bautizado su modelo de super-resolución PULSE, y el modelo produce consistentemente imágenes de alta calidad incluso si se le dan imágenes tan borrosas que otros métodos de super-resolución no pueden crear imágenes de alta calidad a partir de ellas. El modelo es incluso capaz de crear caras realistas a partir de imágenes donde las características de la cara son casi indistinguibles. Por ejemplo, cuando se le da una imagen de una cara con resolución de 16×16, puede crear una imagen de 1024 x 1024. Más de un millón de píxeles se agregan durante este proceso, llenando detalles como hebras de cabello, arrugas y sogar iluminación. Cuando los investigadores hicieron que las personas calificaran 1440 imágenes generadas por PULSE contra imágenes generadas por otras técnicas de super-resolución, las imágenes generadas por PULSE obtuvieron consistentemente las mejores calificaciones.

Mientras que los investigadores utilizaron su modelo en imágenes de caras de personas, las mismas técnicas que utilizan podrían aplicarse a casi cualquier objeto. Imágenes de baja resolución de varios objetos podrían usarse para crear imágenes de alta resolución de ese conjunto de objetos, abriendo posibles aplicaciones para una variedad de diferentes industrias y campos, desde la microscopía, la imagen satelital, la educación, la fabricación y la medicina.