Il modello AI può acquisire immagini sfocate e migliorare la risoluzione di 60 volte

I ricercatori della Duke University hanno sviluppato un modello di intelligenza artificiale in grado di acquisire immagini altamente sfocate e pixellate e renderle con dettagli elevati.  Secondo TechXplore, il modello è in grado di prendere relativamente pochi pixel e ridimensionare le immagini per creare volti dall'aspetto realistico che sono circa 64 volte la risoluzione dell'immagine originale. Il modello allucina, o immagina, caratteristiche che si trovano tra le righe dell'immagine originale.

La ricerca è un esempio di super risoluzione. Come Cynthia Rudin del team di informatica della Duke University spiegato a TechXplore, questo progetto di ricerca stabilisce un record per la super-risoluzione, poiché mai prima d'ora le immagini sono state create con tale feiltà da un campione così piccolo di pixel iniziali. I ricercatori sono stati attenti a sottolineare che il modello in realtà non ricrea il volto della persona nell'immagine originale di bassa qualità. Invece, genera nuovi volti, riempiendo dettagli che prima non c'erano. Per questo motivo, il modello non può essere utilizzato per sistemi di sicurezza, in quanto non sarebbe in grado di trasformare immagini sfocate in immagini di una persona reale.

Le tradizionali tecniche di super-risoluzione operano ipotizzando quali pixel sono necessari per trasformare l'immagine in un'immagine ad alta risoluzione, sulla base di immagini che il modello ha appreso in precedenza. Poiché i pixel aggiunti sono il risultato di ipotesi, non tutti i pixel corrisponderanno ai pixel circostanti e alcune regioni dell'immagine potrebbero apparire sfocate o deformate. I ricercatori della Duke University hanno utilizzato un metodo diverso per addestrare il loro modello di intelligenza artificiale. Il modello creato dai ricercatori della Duke opera prendendo prima immagini a bassa risoluzione e aggiungendo dettagli all'immagine nel tempo, facendo riferimento a volti generati dall'intelligenza artificiale ad alta risoluzione come esempi. Il modello fa riferimento ai volti generati dall'intelligenza artificiale e cerca di trovare quelli che assomigliano alle immagini di destinazione quando i volti generati vengono ridimensionati alla dimensione dell'immagine di destinazione.

Il team di ricerca ha creato un modello di Generative Adversarial Network per gestire la creazione di nuove immagini. I GAN sono in realtà due reti neurali che vengono entrambe addestrate sullo stesso set di dati e messe l'una contro l'altra. Una rete è responsabile della generazione di immagini false che imitano le immagini reali nel set di dati di addestramento, mentre la seconda rete è responsabile del rilevamento delle immagini false da quelle autentiche. La prima rete riceve una notifica quando le sue immagini sono state identificate come false e migliora fino a quando le immagini false sono, si spera, indistinguibili dalle immagini autentiche.

I ricercatori hanno soprannominato il loro modello di super-risoluzione PULSEe il modello produce costantemente immagini di alta qualità anche se vengono fornite immagini così sfocate che altri metodi di super risoluzione non possono creare immagini di alta qualità da esse. Il modello è persino in grado di creare volti dall'aspetto realistico da immagini in cui le caratteristiche del viso sono quasi indistinguibili. Ad esempio, quando viene data un'immagine di un volto con risoluzione 16×16, può creare un'immagine 1024 x 1024. Durante questo processo vengono aggiunti più di un milione di pixel, riempiendo dettagli come ciocche di capelli, rughe e persino l'illuminazione. Quando i ricercatori hanno chiesto alle persone di valutare 1440 immagini generate da PULSE rispetto a immagini generate da altre tecniche di super-risoluzione, le immagini generate da PULSE hanno ottenuto costantemente il punteggio migliore.

Mentre i ricercatori hanno usato il loro modello su immagini di volti di persone, le stesse tecniche che usano potrebbero essere applicate a quasi tutti gli oggetti. Le immagini a bassa risoluzione di vari oggetti potrebbero essere utilizzate per creare immagini ad alta risoluzione di quell'insieme di oggetti, aprendo possibili applicazioni per una varietà di industrie e campi diversi dalla microscopia, immagini satellitari, istruzione, produzione e medicina.