एआई का उपयोग फिल्म ग्रेन की नकल करने के लिए

मेक अमेरिका ग्रेनी अगेन: एक नया एआई टूल पुराने फुटेज से फिल्म ग्रेन को हटा सकता है, वीडियो को एक छोटे से आकार में संपीड़ित कर सकता है, और फिर ग्रेन को वापस डाल सकता है ताकि दर्शकों को पता न चले। यह मौजूदा वीडियो मानकों के साथ काम करता है और बैंडविथ को 90 प्रतिशत तक कम कर देता है, जबकि पुराने जमाने का रूप बनाए रखता है।

हम में से कई लोगों के लिए फिल्म या पुराने टीवी शो देखना, ग्रेन की ‘सिज़ल’ आश्वस्त करने वाली है; यहां तक कि जब हम इसे जानबूझकर पंजीकृत नहीं करते हैं, तो ग्रेन हमें बताता है कि हम जो देख रहे हैं वह रासायनिक पदार्थों से बना है, न कि कोड से, और अनुभव को भौतिक दुनिया से जोड़ता है: स्टॉक चुनने, एक्सपोजर, लैब प्रक्रियाओं और बीते हुए युगों के लिए:

हॉलीवुड का ग्रेन के प्रति दृष्टिकोण संस्कृति और उत्पादन विधियों में परिवर्तन के साथ बदल गया है। 1960 के दशक में, कैमरा स्टॉक और फोटोग्राफिक प्रथाओं में विकास ने दशक की विशिष्ट दृश्य पहचान में योगदान दिया। बाद में, डिजिटल में काम करने वाले निर्देशकों ने जानबूझकर ग्रेन को पुनः पेश किया। 1980 के दशक के मध्य में, निर्देशक जेम्स कैमरून ने एलियंस (1986, ऊपर दी गई छवि में नीचे दाईं ओर) के लिए एक विशेष रूप से मोटे कोडक स्टॉक का चयन किया, संभवतः वातावरण को बढ़ाने के लिए और व्यावहारिक वीएफएक्स मिनिएचर कार्य से तारों को छिपाने में मदद करने के लिए। स्रोत: https://archive.is/3ZSjN (मेरा इस विषय पर सबसे हाल का लेख)

एनालॉग टेक्सचर एक समय से आता है जब मीडिया का उत्पादन वास्तविक पैसा खर्च करता था, पहुंच सीमित थी, और कम से कम एक ढीली भावना थी कि केवल सबसे सक्षम या निर्धारित लोग ही इसमें शामिल हो सकते हैं, वास्तविकता के लिए एक संक्षिप्त नाम के रूप में कार्य करता है, और विश्वासयोग्यता – और, जब उच्च-रिज़ॉल्यूशन कैप्चर प्रौद्योगिकियों ने इसे समाप्त कर दिया, नोस्टाल्जिया।

क्रिस्टोफर नोलन कभी नहीं बदला। जबकि अधिकांश उद्योग ने डिजिटल को अपनी गति और लचीलेपन के लिए अपनाया, प्रसिद्ध निर्देशक ने सेल्युलाइड पर जोर दिया, न केवल एक अनुशासन के रूप में, बल्कि एक सौंदर्य के रूप में भी।

Denis Villeneuve, डिजिटल पाइपलाइनों के भीतर काम करते हुए, अभी भी अपने फुटेज को फोटोकेमिकल प्रक्रियाओं से गुजरता है। ड्यून फिल्मों के लिए, डिजिटल रूप से शूट की गई, फुटेज को फिल्म स्टॉक पर प्रिंट किया गया और फिर डिजिटल में स्कैन किया गया, केवल वातावरण और प्रभाव के लिए।

नकली ग्रेन

फिल्म और टीवी गुणवत्ता के शौकीन लोग दृश्यमान ग्रेन को उच्च-रिज़ॉल्यूशन के साथ जोड़ते हैं, जहां बिटरेट (प्रत्येक फ्रेम में डाले जाने वाले डेटा की मात्रा) इतना अधिक है कि यहां तक कि सबसे छोटे विवरण, जैसे कि हैलाइड ग्रेन, संरक्षित हैं।

हालांकि, यदि स्ट्रीमिंग नेटवर्क वास्तव में इस तरह के बिटरेट को उपलब्ध कराते हैं, तो यह नेटवर्क क्षमता पर गंभीर दबाव डालेगा, और संभवतः बफरिंग और स्टटरिंग का कारण बनेगा। इसलिए, नेटफ्लिक्स जैसे प्लेटफ़ॉर्म अपनी सामग्री के लिए ऑप्टिमाइज़ AV1 संस्करण बनाते हैं और AV1 कोडेक की क्षमताओं का उपयोग करके फिल्म या एपिसोड में ग्रेन जोड़ते हैं, एक बुद्धिमान और उपयुक्त तरीके से 30% बैंडवidth की बचत करते हैं।

AV1 को कृत्रिम फिल्म ग्रेन को शामिल करने के लिए डिज़ाइन किया गया है, जैसा कि इन उदाहरणों में देखा गया है। स्रोत: https://waveletbeam.com/index.php/av1-film-grain-synthesis

ग्रेन की ‘फेटिश’ एक अपेक्षाकृत दुर्लभ डिजिटल समकक्ष है जो विनाइल की वापसी जैसी प्राचीन प्रवृत्तियों के समान है, और यह कहना मुश्किल है कि यह स्ट्रीमर्स द्वारा अत्यधिक अनुकूलित वीडियो को वास्तविक ‘कच्चे वीडियो’ की तरह दिखाने के लिए उपयोग किया जाता है (जिन दर्शकों ने उन विशेषताओं के साथ जुड़ाव महसूस किया है); या पुराने 4:3 शो को वाइडस्क्रीन आस्पेक्ट अनुपात में क्रॉप करने से होने वाली संवेदी गुणवत्ता में गिरावट को रोकने के लिए; या सिर्फ नोलन एस्थेटिक को पुराने जमाने के लिए प्रतिबद्ध करने के लिए।

ग्रेन सिलोएड

समस्या यह है कि ग्रेन भी शोर है। डिजिटल सिस्टम शोर से नफरत करते हैं, और स्ट्रीमिंग कोडेक्स जैसे AV1 बैंडवidth बचाने के लिए इसे दूर कर देते हैं, जब तक कि ग्रेन सेटिंग्स विशेष रूप से कॉन्फ़िगर नहीं की जाती हैं। इसी तरह एआई अपस्केलर जैसे टोपाज़ जिगापिक्सेल श्रृंखला ग्रेन को एक दोष के रूप में मानते हैं जिसे सुधारा जाना चाहिए।

डिफ्यूजन-आधारित इमेज सिंथेसिस के क्षेत्र में, ग्रेन बहुत ही चुनौतीपूर्ण है क्योंकि यह अत्यधिक विवरण का प्रतिनिधित्व करता है, और इसलिए आमतौर पर केवल बहुत अधिक ओवरफिट मॉडल में दिखाई देगा, क्योंकि पूरा लेटेंट डिफ्यूजन मॉडल (एलडीएम) आर्किटेक्चर शोर (जैसे ग्रेन) को स्पष्ट छवियों में तोड़ने के लिए डिज़ाइन किया गया है, न कि मीडिया में ग्रेन फ्लेक्स को स्पष्ट गुणों के रूप में मानते हैं।

इसलिए, मशीन लर्निंग का उपयोग करके ग्रेन को बनाना मुश्किल हो सकता है। और भले ही कोई ऐसा कर सकता है, तो इसे सीधे एक अनुकूलित वीडियो में रेंडर करने से वीडियो का फ़ाइल आकार फिर से बढ़ जाएगा।

इस बाद के तार्किक विचार के कारण, राज्य-ऑफ-द-आर्ट वीडियो कोडेक्स जैसे वीडियो कोडिंग (VVC) ग्रेन को एक प्रकार की ‘साइडकार’ सेवा के रूप में प्रदान करते हैं।

VVC साफ, शोर-मुक्त वीडियो को संपीड़ित करता है और ग्रेन को त्यागता है। ग्रेन के यादृच्छिक उच्च-आवृत्ति पैटर्न को संरक्षित करने के लिए डेटा बर्बाद करने के बजाय, यह ग्रेन का विश्लेषण अलग से करता है और एक छोटे से पैरामीटर सेट (जैसे कि परिमाण, आवृत्ति और मिश्रण मोड) को एन्कोड करता है जो बताता है कि प्लेबैक के दौरान समान ग्रेन को कैसे पुनः उत्पन्न किया जाए।

इन पैरामीटर्स को एक एफजीसी-एसईआई (फिल्म ग्रेन विशेषताओं पूरक वृद्धि जानकारी) स्ट्रीम में संग्रहीत किया जाता है, जो मुख्य बिट-स्ट्रीम के साथ चलता है। डीकोडिंग के बाद, एक सिंथेसिस मॉड्यूल इन निर्देशों का उपयोग करके सिंथेटिक ग्रेन को पुनः लागू करता है जो मूल की नकल करता है।

यह ‘देखो’ को संरक्षित करता है उच्च-बिटरेट, ग्रेन-समृद्ध एमुल्शन का, जबकि वास्तविक बिटरेट कम रहता है, क्योंकि एन्कोडर को अनुमानित शोर को संरक्षित करने के लिए संसाधनों का उपयोग करने के लिए मजबूर नहीं किया जाता है।

इसके अलावा, जैसे कि विविध डिस्क्रीट सबटाइटल फ़ाइलों के साथ, यह नकली ‘ग्रेन’ सामग्री विशिष्ट है वीडियो के लिए; हaphazardly जेनेरिक ग्रेन फिल्टर लागू करना प्लेटफ़ॉर्म जैसे फोटोशॉप या आफ्टर इफेक्ट्स में, या स्वचालित प्रोसेसिंग पाइपलाइनों में, एक अनियमित शोर ओवरले का परिणाम होगा, न कि ‘फिटेड’ ग्रेन:

बाएं: मूल छवि। केंद्र: फोटोशॉप कैमरा रॉ ग्रेन को सभी चैनलों में समान रूप से लागू किया गया। दाएं: एक ही ग्रेन फिल्टर को प्रत्येक चैनल में अलग-अलग लागू किया गया। स्रोत छवि (सीसी0): https://stocksnap.io/photo/woman-beach-FJCOO6JWDP (मेरे पिछले लेख के माध्यम से)

फोटोशॉप का ‘ग्रेन’ फिल्टर समान यादृच्छिक शोर जोड़ता है; लेकिन वास्तविक फिल्म ग्रेन विभिन्न आकारों के हैलाइड क्रिस्टल से आता है। प्रत्येक चैनल में अलग-अलग फिल्टर लागू करना (ऊपर दी गई छवि देखें) केवल अधिक अराजकता पैदा करता है, न कि वास्तविकता। सच्चा फिल्म ग्रेन बताता है कि प्रकाश कैसे परतदार एमुल्शन एक्सपोज़र के क्षण में पर प्रभाव डालता है। इसका अनुकरण करने के लिए, यह अनुमान लगाना आवश्यक होगा कि छवि के विभिन्न क्षेत्रों ने प्रत्येक हैलाइड परत को कैसे सक्रिय किया होगा, न कि केवल प्रभाव को आरजीबी परतों में विभाजित किया होगा।

एफजीए-एनएन

इस संदेहास्पद पीछा में एक नया शोध पत्र फ्रांस से आता है – एक संक्षिप्त लेकिन दिलचस्प आउटिंग जो ग्रेन का विश्लेषण और पुनर्निर्माण करने के लिए एक मात्रात्मक और गुणात्मक रूप से श्रेष्ठ विधि प्रदान करता है:

विभिन्न विश्लेषण और सिंथेसिस विधियों के परिणामों की तुलना में ग्राउंड-ट्रुथ ग्रेन। स्रोत: https://arxiv.org/pdf/2506.14350

नया सिस्टम, एफजीए-एनएन नामक, पारंपरिक गॉसियन-आधारित ग्रेन सिंथेसिस के पारंपरिक उपयोग से विचलित नहीं होता है, जो कि मानक VVC-संगत विधि है, वीडियो फिल्म ग्रेन सिंथेसिस (VFGS)। जो यह प्रणाली बदलती है वह विश्लेषण है, जो एक तंत्रिका नेटवर्क का उपयोग करके सिंथेसिस पैरामीटर को अधिक सटीक रूप से अनुमान लगाने के लिए किया जाता है।

इस प्रकार, अंतिम ग्रेन अभी भी उसी पारंपरिक गॉसियन मॉडल का उपयोग करके सिंथेटिक किया जाता है – लेकिन नेटवर्क एक मानक, नियम-आधारित जनरेटर में बेहतर मेटाडेटा फीड करता है, एक राज्य-ऑफ-द-आर्ट मॉडल प्राप्त करता है।

नया पत्र शीर्षक एफजीए-एनएन: फिल्म ग्रेन विश्लेषण तंत्रिका नेटवर्क है, और इंटरडिजिटल आरएंडडी, सेसन-सेविग्ने के तीन शोधकर्ताओं से आता है। हालांकि पत्र लंबा नहीं है, आइए नए तरीके द्वारा प्रदान की गई कुछ प्रमुख बातों पर एक नज़र डालें:

विधि

संक्षेप में, एफजीए-एनएन सिस्टम एक ग्रेनी वीडियो को इनपुट के रूप में लेता है और ग्रेन का एक कompact विवरण निकालता है, जो मानकीकृत एफजीसी-एसईआई प्रारूप में पैरामीटर आउटपुट करता है जिसका उपयोग विभिन्न आधुनिक कोडेक्स द्वारा किया जाता है। इन पैरामीटर्स को वीडियो के साथ-साथ प्रसारित किया जाता है, जिससे डिकोडर को VFGS का उपयोग करके ग्रेन को पुनः बनाने की अनुमति मिलती है, न कि ग्रेन को सीधे एन्कोड करने की।

वीडियो वितरण में फिल्म ग्रेन का विश्लेषण और पुनः लागू करने की योजना, एफजीए-एनएन का उपयोग पैरामीटर निष्कर्षण के लिए और वीएफजीएस का उपयोग सिंथेसिस के लिए किया जाता है।

नेटवर्क को प्रशिक्षित करने के लिए, लेखकों को ग्रेनी वीडियो और संबंधित एफजीसी-एसईआई मेटाडेटा के जोड़े की आवश्यकता थी। चूंकि अधिकांश ग्रेनी फुटेज इस तरह के मेटाडेटा की कमी है, इसलिए शोधकर्ताओं ने अपना डेटासेट बनायाโดย एफजीसी-एसईआई पैरामीटर उत्पन्न करके, सिंथेटिक ग्रेन को साफ वीडियो में लागू करके, और इन्हें प्रशिक्षण उदाहरणों के रूप में उपयोग किया।

एफजीए-एनएन के लिए प्रशिक्षण डेटा बीवीआई-डीवीसी और डीआईवी2के डेटासेट से साफ फुटेज पर सिंथेटिक ग्रेन लागू करके बनाया गया था। यादृच्छिक एफजीसी-एसईआई पैरामीटर उत्पन्न किए गए और वीएफजीएस सिंथेसिस टूल के साथ उपयोग किए गए, जिससे प्रत्येक ग्रेनी वीडियो को ज्ञात मेटाडेटा के साथ जोड़ा जा सके।

प्रशिक्षण डेटा के लिए आवृत्ति-आधारित मॉडल का उपयोग किया गया था, जो वर्तमान वीडियो मानकों द्वारा समर्थित है, जिसमें पैरामीटर रेंज को लुमा और क्रोमा चैनलों में दृश्य प्लॉसिबिलिटी बनाए रखने के लिए सीमित किया गया था।

प्रशिक्षण डेटा के लिए बीवीआई-डीवीसी और डीआईवी2के डेटासेट से साफ फुटेज पर सिंथेटिक ग्रेन लागू करके बनाया गया था। यादृच्छिक एफजीसी-एसईआई पैरामीटर उत्पन्न किए गए और वीएफजीएस सिंथेसिस टूल के साथ उपयोग किए गए, जिससे प्रत्येक ग्रेनी वीडियो को ज्ञात मेटाडेटा के साथ जोड़ा जा सके।

प्रशिक्षण के लिए बीवीआई-डीवीसी और डीआईवी2के डेटासेट से साफ फुटेज पर सिंथेटिक ग्रेन लागू करने के लिए यादृच्छिक एफजीसी-एसईआई पैरामीटर रेंज का अवलोकन। पैरामीटर्स को लुमा और क्रोमा चैनलों में दृश्य प्लॉसिबिलिटी बनाए रखने के लिए सीमित किया गया था।

आवृत्ति फिल्टरिंग मॉडल, जो वर्तमान में कोडेक कार्यान्वयन जैसे वीवीसी टेस्ट मॉडल (वीटीएम) में समर्थित एकमात्र सिंथेसिस विधि है, का उपयोग पूरे में किया गया था। पैरामीटर रेंज को लुमा और क्रोमा चैनलों में दृश्य प्लॉसिबिलिटी बनाए रखने के लिए सीमित किया गया था।

नेटवर्क प्रभाव

एफजीए-एनएन में दो समन्वित मॉडल हैं, लुमा और क्रोमा के लिए, प्रत्येक को विशिष्ट पैरामीटर की भविष्यवाणी करने के लिए डिज़ाइन किया गया है जो वास्तविक फिल्म ग्रेन को पुनः बनाने के लिए आवश्यक हैं।

प्रत्येक इनपुट छवि के लिए, सिस्टम एक तीव्रता अंतराल सेट का अनुमान लगाता है, प्रत्येक अंतराल से जुड़े स्केलिंग कारक, क्षैतिज और ऊर्ध्वाधर कट-ऑफ आवृत्तियों, और एक समग्र स्केल समायोजन का अनुमान लगाता है जिसे लॉग2स्केल कारक के रूप में जाना जाता है। इसके लिए, मॉडल एक साझा फीचर एक्सट्रैक्टर का उपयोग करता है जो ग्रेनी इनपुट को संसाधित करता है और चार अलग-अलग आउटपुट शाखाओं में फीड करता है, प्रत्येक एक अलग भविष्यवाणी कार्य के लिए जिम्मेदार होता है:

एफजीए-एनएन के लुमा संस्करण की वास्तुकला। एक साझा बैकबोन ग्रेनी इनपुट फ्रेम से विशेषताओं को निकालता है, जो चार आउटपुट शाखाओं में फीड करता है, जो विशिष्ट पैरामीटर भविष्यवाणी कार्यों के लिए अनुकूलित होते हैं: अंतराल सीमाएं, स्केलिंग कारक, कट-ऑफ आवृत्तियां, और समग्र लॉग2स्केल। क्रोमा नेटवर्क में समान संरचना होती है, लेकिन इनपुट और आउटपुट आयामों में समायोजन के साथ।

अंतराल सीमाएं रिग्रेशन का उपयोग करके भविष्यवाणी की जाती हैं, जबकि स्केलिंग कारक, कट-ऑफ आवृत्तियां, और समग्र स्केल सेटिंग को वर्गीकरण समस्याओं के रूप में माना जाता है।

वास्तुकला को प्रत्येक कार्य की जटिलता को दर्शाने के लिए समायोजित किया जाता है, जिसमें अधिक सूक्ष्म भविष्यवाणियों के लिए बड़े आंतरिक परतें उपयोग की जाती हैं; विशेष रूप से, क्रोमा मॉडल लुमा संरचना को दर्पण देता है, लेकिन रंग डेटा की विभिन्न विशेषताओं के अनुसार अनुकूलन करता है।

प्रशिक्षण और परीक्षण

एफजीए-एनएन को चार उद्देश्य फंक्शन का उपयोग करके प्रशिक्षित किया गया था, प्रत्येक इसकी भविष्यवाणी कार्यों में से एक के साथ संरेखित। वर्गीकरण आउटपुट के लिए, एक श्रेणीय क्रॉस-एंट्रोपी हानि का उपयोग किया गया था ताकि भविष्यवाणी किए गए लेबल और ग्राउंड-ट्रुथ के बीच अंतर को कम किया जा सके।

अंतराल सीमाएं 0 से 1 तक सामान्यीकृत की गईं और एक संयुक्त हानि का उपयोग करके अनुकूलित की गईं: एक अपेक्षाकृत स्केल्ड एल1 हानि (एक्सपीएल1) जो बड़े त्रुटियों को अधिक भारी दंडित करती है, और एक मोनोटोनिकिटी दंड जो नीचे की ओर प्रवृत्ति को प्रोत्साहित नहीं करती है। सभी चार हानियों को संयुक्त किया गया, जिसमें कट-ऑफ और स्केलिंग कारकों को उच्च भार दिया गया, जबकि अंतराल सीमाएं और लॉग2स्केल को क्रमशः 1 और 0.1 पर भारित किया गया।

प्रशिक्षण एडम ऑप्टिमाइज़र के तहत किया गया था, 5e-4 की सीखने दर पर, 10,000 पुनरावृत्तियों के लिए, 64 के बैच आकार के साथ।

तुलनात्मक परीक्षणों के लिए उपयुक्त एकमात्र तुलनीय उपकरण एफजीए-CONVENT था, जो एफजीसी-एसईआई प्रारूप में मूल्यों का उत्पादन करता है और ग्रेन प्रसंस्करण के लिए उपयोग किया जाता है। दोनों सिस्टम को जेवेट सब्जेक्टिव मूल्यांकन सेट से यूएचडी अनुक्रमों पर परीक्षण किया गया था, जिसमें वास्तविक फिल्म ग्रेन वाले फुटेज शामिल थे।

वीएफजीएस का उपयोग करके प्रत्येक विधि से उत्पन्न समान फसल वाले फ्रेम, मूल के साथ तुलना में। लंबवत डैश्ड लाइनें तीव्रता अंतराल सीमाओं को इंगित करती हैं, जबकि लॉग2स्केल लाभ अक्ष लेबल में नोट किया गया है।

उपरोक्त छवि में, हम देखते हैं कि प्रत्येक विधि से वीएफजीएस का उपयोग करके उत्पन्न फ्रेम, मूल के साथ तुलना में। उनके संबंधित लुमा अनुमान भी ग्राउंड-ट्रुथ मानों के साथ प्लॉट किए गए हैं, जो यहां पिक्सेल तीव्रता (0-255) को एक्स अक्ष पर, स्केलिंग कारकों (0-255) को नीले वाई अक्ष पर, और कट-ऑफ आवृत्तियों (2-14) को हरे वाई अक्ष पर चार्ट करता है।

लेखकों का कहना है:

‘एक यह देख सकता है कि एफजीए-एनएन मूल फिल्म ग्रेन पैटर्न और परिमाण की समग्र प्रवृत्ति को सटीक रूप से पकड़ लेता है, जिसके परिणामस्वरूप सिंथेटिक छवियां उत्पन्न होती हैं जो ग्राउंड-ट्रुथ वाली फिल्म ग्रेन के साथ संवेदी रूप से समान होती हैं। ‘

‘दूसरी ओर, एफजीए-CONVENT एक कम स्केलिंग कारक की भविष्यवाणी करता है, जो इसकी डिज़ाइन के परिणामस्वरूप एक संबंधित कम लॉग2स्केल कारक के साथ जोड़ा जाता है, और एक मोटे फिल्म ग्रेन पैटर्न को उत्पन्न करता है जो संदर्भ से भिन्न होता है, जिसके परिणामस्वरूप एक विशिष्ट लेकिन दृश्य रूप से सुसंगत दिखावा होता है।’

वे यह भी उल्लेख करते हैं कि ग्राउंड-ट्रुथ ग्रेन पैरामीटर के साथ सीधे तुलना करना विश्वसनीय नहीं है, क्योंकि स्केलिंग और लॉग2स्केल एक दूसरे के लिए क्षतिपूर्ति कर सकते हैं, और छोटे त्रुटियों का अक्सर कम दृश्य प्रभाव पड़ता है।

परीक्षण का परीक्षण

फिल्म ग्रेन विश्वास को चार कार्य प्रवाहों में बेंचमार्क किया गया था: एफजीए-एनएन के साथ वीएफजीएस; एफजीए-CONVENT प्लस वीएफजीएस; स्टाइल-एफजी; और 3आर-आईएनएन। परीक्षणों ने एफजीसी-एसईआई और फिल्मग्रेनस्टाइल740के डेटासेट का उपयोग किया, सीखे हुए दृश्य समानता मेट्रिक्स (एलपीआईपीएस); जेएसडी-एनएसएस; और कुलबैक-लेबलर (केएल) विचलन का उपयोग करके आउटपुट की तुलना ग्राउंड-ट्रुथ के साथ की।

फिल्मग्रेनस्टाइल740के डेटासेट पर बेंचमार्क परिणाम। स्टाइल-एफजी और 3आर-आईएनएन अन्य की तुलना में बेहतर प्रदर्शन करते हैं क्योंकि वे इस सेट पर प्रशिक्षित हैं, एफजीए-एनएन के साथ निकटता से पालन करते हैं। एफजीए-CONVENT कम प्रदर्शन करता है, जो इसकी बहु-फ्रेम विश्लेषण और समान क्षेत्रों पर निर्भरता को दर्शाता है – जो इस मामले में पूरी नहीं हुईं।

इन परिणामों में, लेखकों का कहना है:

‘फिल्मग्रेनस्टाइल740के परीक्षण सेट पर, स्टाइल-एफजी और 3आर-आईएनएन सर्वोत्तम परिणाम प्राप्त करते हैं, क्योंकि वे इस डेटासेट पर विशेष रूप से प्रशिक्षित हैं, एफजीए-एनएन के साथ निकटता से पालन करते हैं। एफजीए-CONVENT का प्रदर्शन दोनों परीक्षण सेट पर उपोत्तम है। ‘

‘यह इस तथ्य के कारण है कि विश्लेषण बहु-फ्रेम विश्लेषण और समान क्षेत्रों पर निर्भर करता है, जबकि वर्तमान मूल्यांकन विश्लेषण को एक ही छोटी छवि (256×256 से 768×512 तक) के साथ प्रदान किया जाता है, जो अक्सर महत्वपूर्ण बनावट को शामिल करती है। ‘

‘यह पारंपरिक विश्लेषण विधि के लिए चुनौती को और बढ़ा देता है, जिससे इसे ऐसी छोटी छवियों पर लागू करना असंभव हो जाता है।’

अंत में, लेखक यह भी उल्लेख करते हैं कि सीखने-आधारित विधियां, जैसे कि 3आर-आईएनएन और स्टाइल-एफजी, क्यूरेटेड डेटासेट पर मजबूत दृश्य परिणाम प्रदान करती हैं, लेकिन उनकी उच्च गणना लागत उन्हें अंत-उपयोगकर्ता उपकरणों पर तैनाती के लिए उपयुक्त बनाती है।

विभिन्न विश्लेषण और सिंथेसिस कार्यप्रवाह का उपयोग करके बढ़ाए गए निम्न-बिटरेट फ्रेम की तुलना (तीसरे से अंतिम कॉलम)।

इसके विपरीत, नए पत्र में प्रस्तावित दृष्टिकोण हल्के एफजीए-एनएन विश्लेषण मॉड्यूल को हार्डवेयर-कुशल वीएफजीएस सिंथेसिस विधि के साथ जोड़ता है, जिसे लेखक एक अधिक व्यावहारिक और तैनाती योग्य समाधान के रूप में वर्णित करते हैं संपीड़ित वीडियो में फिल्म ग्रेन को पुनः पेश करने के लिए।

वे आगे कहते हैं कि एफजीए-एनएन के लाभ काफी महत्वपूर्ण हो सकते हैं:

‘मध्यम से निम्न बिटरेट पर यूएचडी वीडियो को फिल्म ग्रेन के साथ एन्कोड करना हमारे फिल्म ग्रेन विश्लेषण और सिंथेसिस कार्यप्रवाह का उपयोग करके उच्च-बिटरेट एन्कोडिंग की तुलना में बिटरेट की बचत 90% तक पहुंच सकती है।’

निष्कर्ष

फिल्म ग्रेन के साथ जुनून एक पोस्ट-एनालॉग युग की सबसे अजीब और सबसे दिलचस्प धारणाओं में से एक है, और यह देखना दिलचस्प है कि जो एक बार माध्यम की एक सीमा मानी जाती थी, वह अब स्वयं वास्तविकता और प्रामाणिकता का प्रतीक बन गई है, शायद नए दर्शकों की एक नई पीढ़ी के लिए भी (जो एनालॉग के पतन के बाद पैदा हुए थे)।

यह ध्यान देने योग्य है कि राज्य-ऑफ-द-आर्ट ग्रेन-पुनर्निर्माण विधियों में से कोई भी,包括 इस नवीनतम नवाचार, प्रकाश के प्रभाव को सही ढंग से पकड़ नहीं सकता है जो वास्तविक फोटोकेमिकल प्रक्रिया में हैलाइड्स की परतों पर पड़ता है, विभिन्न स्थितियों के साथ।