Il modello di intelligenza artificiale può prendere immagini sfocate e migliorare la risoluzione di 60 volte

I ricercatori dell’Università di Duke hanno sviluppato un modello di intelligenza artificiale in grado di prendere immagini molto sfocate e pixelate e renderle con grande dettaglio. Secondo TechXplore, il modello è in grado di prendere pochi pixel e scalare le immagini per creare volti realistici che sono circa 64 volte la risoluzione dell’immagine originale. Il modello “hallucina”, o immagina, caratteristiche che sono tra le linee dell’immagine originale.

La ricerca è un esempio di super-risoluzione. Come ha spiegato Cynthia Rudin del team di scienze informatiche dell’Università di Duke a TechXplore, questo progetto di ricerca stabilisce un record per la super-risoluzione, poiché mai prima d’ora sono state create immagini con tale fedeltà a partire da un campione di pixel di partenza così piccolo. I ricercatori hanno sottolineato che il modello non ricrea effettivamente il volto della persona nell’immagine originale di bassa qualità. Invece, genera nuovi volti, riempiendo i dettagli che non c’erano prima. Per questo motivo, il modello non potrebbe essere utilizzato per nulla di simile a sistemi di sicurezza, poiché non sarebbe in grado di trasformare immagini fuori fuoco in immagini di una persona reale.

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

Il team di ricerca ha creato un modello di rete generativa avversariale per gestire la creazione di nuove immagini. Le GAN sono in realtà due reti neurali che vengono addestrate sullo stesso set di dati e opposte l’una all’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 della rilevazione delle immagini false dalle immagini autentiche. La prima rete viene notificata quando le sue immagini vengono identificate come false e migliora fino a quando le immagini false non sono idealmente indistinguibili dalle immagini autentiche.

I ricercatori hanno chiamato il loro modello di super-risoluzione PULSE, e il modello produce costantemente immagini di alta qualità anche se fornito di immagini così sfocate che altri metodi di super-risoluzione non possono creare immagini di alta qualità da esse. Il modello è anche in grado di creare volti realistici a partire da immagini in cui le caratteristiche del volto sono quasi indistinguibili. Ad esempio, quando viene fornito di un’immagine di un volto con risoluzione 16×16, può creare un’immagine 1024 x 1024. Più di un milione di pixel vengono aggiunti durante questo processo, riempiendo dettagli come ciocche di capelli, rughe e persino illuminazione. Quando i ricercatori hanno fatto valutare a persone 1440 immagini generate da PULSE contro immagini generate da altre tecniche di super-risoluzione, le immagini generate da PULSE hanno ottenuto costantemente i punteggi migliori.

Sebbene i ricercatori abbiano utilizzato il loro modello su immagini di volti di persone, le stesse tecniche che utilizzano potrebbero essere applicate a quasi qualsiasi oggetto. Immagini a bassa risoluzione di vari oggetti potrebbero essere utilizzate per creare immagini ad alta risoluzione di quel set di oggetti, aprendo possibili applicazioni per una varietà di diversi settori e campi, dalla microscopia, alle immagini satellitari, all’istruzione, alla produzione e alla medicina.