Pixelmator zapewnia użytkownikom superrozdzielczość opartą na sztucznej inteligencji

Pixelmator umożliwił niedawno właścicielom Pixelmator Pro, aplikacji do obróbki zdjęć, korzystanie z narzędzia o super rozdzielczości obsługiwanego przez sztuczną inteligencję.

Funkcja superrozdzielczości umożliwia poprawę rozmytych zdjęć o niskiej rozdzielczości i poprawę rozdzielczości obrazu. Technologia superrozdzielczości jest w stanie wyostrzyć obrazy do imponującego efektu, często przywołując motyw „wzmacniania”, który często można zobaczyć w serialach kryminalnych. Firma Pixelmator ogłosiła niedawno dodanie narzędzia „ML Super Definition” do wersji Pro oprogramowania do edycji zdjęć. Można zobaczyć demonstrację niektórych wyników Pixelmatora tutaj.

Wczesne testy narzędzia wykazały, że jest ono w stanie zredukować rozmycie wielu typów obrazów, w tym tekstu, fotografii i ilustracji. Jak zgłoszone przez The Verge, wyniki utworzone przez program wydają się być również lepsze niż w przypadku innych narzędzi do skalowania obrazu, które często wykorzystują algorytmy takie jak algorytmy Nearest Neighbors i Bilinear.

Badania nad superrozdzielczością były prowadzone przez różne firmy technologiczne, takie jak Google, Microsoft i Nvidia. Wiele firm opracowało własne algorytmy superrozdzielczości, ale metoda stosowana do uczenia różnic w urządzeniach o superrozdzielczości opiera się na tych samych podstawowych zasadach.

ML Super Rozdzielczość i inne narzędzia o super rozdzielczości są trenowane przy użyciu par obrazów o niskiej i wysokiej rozdzielczości. Obrazy o niskiej rozdzielczości są zazwyczaj po prostu pomniejszonymi wersjami zwykłych obrazów o wysokiej rozdzielczości. Dokonuje się porównań między obrazami o niskiej i wysokiej rozdzielczości, a algorytmy uczenia maszynowego uczą się, w jaki sposób obszary pikseli w obrazach o wysokiej rozdzielczości różnią się od obrazów o niskiej rozdzielczości. Celem jest nauczenie się sieci neuronowych rozróżniania wzorów pikseli, które pozwolą uzyskać obraz o wyższej rozdzielczości. Następnie może wykorzystać te wzorce różnic, aby przewidzieć, gdzie dodać piksele do obrazu, aby poprawić rozdzielczość, gdy jest on prezentowany z niewidocznym obrazem.

Aplikacje o super rozdzielczości można tworzyć różnymi metodami. Na przykład, jedna metoda superrozdzielczości jest stosowanie Generatywne sieci przeciwne (GAN). Sieci GAN to w rzeczywistości dwie skonfrontowane ze sobą sieci neuronowe, zapożyczające koncepcje z teorii gier, takie jak gra o sumie zerowej i model aktora-krytyka. Zasadniczo zadaniem jednej sieci neuronowej jest tworzenie fałszywych obrazów, podczas gdy zadaniem drugiej sieci jest wykrywanie tych fałszywych obrazów. Sieć tworząca podróbki nazywa się generatorem, natomiast sieć, która je wykrywa, jest dyskryminatorem.

W przypadku narzędzia Super-Resolution firmy Pixelmator, utworzono splotową sieć neuronową który zaimplementował również blok „powiększenia”, który zwiększa skalę obrazu po zeskanowaniu obrazu przez 29 warstw splotowych. Powiększony obraz jest następnie przetwarzany i przekształcany z powrotem w tradycyjny obraz o lepszej rozdzielczości. Sieć zawiera także funkcje odszumiające obraz i radzące sobie z artefaktami kompresji, dzięki czemu te aspekty obrazu nie ulegają przeskalowaniu. Algorytmy Pixelmatora są znacznie mniejsze niż algorytmy używane w ustawieniach badawczych, dzięki czemu można je uwzględnić w aplikacji Pixelmator Pro i uruchamiać na różnych urządzeniach. Zbiór danych szkoleniowych jest dość mały w porównaniu z innymi zbiorami danych używanymi do podobnych zastosowań; do szkolenia algorytmów wykorzystano zaledwie 15000 XNUMX próbek.

Według The Verge istnieją inne narzędzia o super rozdzielczości, z których mogą korzystać konsumenci. Na przykład firma Adobe ma również własne narzędzie do super rozdzielczości w pakiecie Adobe Camera, ale narzędzie Pixelmator wydaje się zapewniać obrazy o niezmiennie wysokiej jakości.