Model AI Dapat Meningkatkan Resolusi Gambar Kabur Sebesar 60 Kali

Peneliti dari Duke University telah mengembangkan model AI yang mampu mengambil gambar kabur dan berpixelasi tinggi dan merendernya dengan detail tinggi. Menurut TechXplore, model ini mampu mengambil beberapa piksel dan menskalakan gambar untuk menciptakan wajah yang realistis dengan resolusi sekitar 64 kali lipat dari gambar asli. Model ini menghalusinasi, atau membayangkan, fitur yang berada di antara garis-garis gambar asli.

Penelitian ini adalah contoh dari super-resolusi. Seperti yang dijelaskan oleh Cynthia Rudin dari tim ilmu komputer Duke University kepada TechXplore, proyek penelitian ini mencetak rekor untuk super-resolusi, karena belum pernah sebelumnya gambar dibuat dengan feal seperti ini dari sampel piksel yang sangat kecil. Peneliti sangat berhati-hati untuk menekankan bahwa model ini tidak benar-benar merekayasa wajah orang dalam gambar asli yang berkualitas rendah. Sebaliknya, ia menghasilkan wajah baru, mengisi detail yang tidak ada sebelumnya. Karena alasan ini, model ini tidak dapat digunakan untuk sistem keamanan, karena tidak dapat mengubah gambar kabur menjadi gambar orang yang nyata.

Teknik super-resolusi tradisional bekerja dengan menebak piksel yang diperlukan untuk mengubah gambar menjadi gambar beresolusi tinggi, berdasarkan gambar yang telah dipelajari sebelumnya. Karena piksel tambahan merupakan hasil tebakan, tidak semua piksel akan cocok dengan piksel sekitarnya dan beberapa area gambar mungkin terlihat kabur atau terdistorsi. Peneliti dari Duke University menggunakan metode pelatihan model AI yang berbeda. Model yang dibuat oleh peneliti Duke bekerja dengan mengambil gambar beresolusi rendah dan menambahkan detail ke gambar dari waktu ke waktu, dengan merujuk pada wajah AI yang dihasilkan sebagai contoh. Model ini merujuk pada wajah AI yang dihasilkan dan mencoba menemukan yang mirip dengan gambar target ketika wajah yang dihasilkan dikurangi ukurannya hingga ukuran gambar target.

Tim peneliti membuat model Jaringan Adversarial Generatif (GAN) untuk menangani pembuatan gambar baru. GAN sebenarnya adalah dua jaringan neural yang dilatih pada dataset yang sama dan dipertandingkan satu sama lain. Salah satu jaringan bertanggung jawab untuk menghasilkan gambar palsu yang meniru gambar asli dalam dataset pelatihan, sedangkan jaringan lainnya bertanggung jawab untuk mendeteksi gambar palsu dari gambar asli. Jaringan pertama diberitahu ketika gambar-gambar yang dihasilkannya telah diidentifikasi sebagai palsu, dan ia memperbaiki diri hingga gambar palsu yang dihasilkannya tidak dapat dibedakan dari gambar asli.

Peneliti telah menamai model super-resolusi mereka PULSE, dan model ini secara konsisten menghasilkan gambar berkualitas tinggi bahkan jika diberikan gambar yang sangat kabur sehingga metode super-resolusi lain tidak dapat menghasilkan gambar berkualitas tinggi dari gambar tersebut. Model ini bahkan dapat membuat wajah yang realistis dari gambar di mana fitur wajah hampir tidak dapat dibedakan. Misalnya, ketika diberikan gambar wajah dengan resolusi 16×16, ia dapat membuat gambar 1024 x 1024. Lebih dari satu juta piksel ditambahkan selama proses ini, mengisi detail seperti helai rambut, kerutan, dan bahkan pencahayaan. Ketika peneliti meminta orang-orang untuk menilai 1440 gambar yang dihasilkan oleh PULSE melawan gambar yang dihasilkan oleh metode super-resolusi lain, gambar yang dihasilkan oleh PULSE secara konsisten mendapatkan skor tertinggi.

Sementara peneliti menggunakan model mereka pada gambar wajah orang, teknik yang mereka gunakan bisa diterapkan pada hampir semua objek. Gambar beresolusi rendah dari berbagai objek bisa digunakan untuk membuat gambar beresolusi tinggi dari set objek tersebut, membuka kemungkinan aplikasi untuk berbagai industri dan bidang seperti mikroskopi, citra satelit, pendidikan, manufaktur, dan kedokteran.