Pixelmator Wprowadza Narzędzie Super-Rozdzielczości Napędzane Przez Sztuczną Inteligencję

Firma Pixelmator niedawno włączyła dla właścicieli Pixelmator Pro, aplikacji do manipulacji zdjęciami, możliwość korzystania z narzędzia super-rozdzielczości zasilanego przez sztuczną inteligencję.

Super-rozdzielczość umożliwia poprawę rozdzielczości zdjęć niskiej jakości i rozmytych. Technologia super-rozdzielczości może znacznie poprawić jakość obrazu, często wykorzystując efekt “poprawy” widoczny w programach kryminalnych. Pixelmator niedawno ogłosił włączenie narzędzia “ML Super Resolution” w wersji Pro swojego oprogramowania do edycji zdjęć. Demonstration Pixelmatora niektórych wyników można zobaczyć tutaj.

Wczesne testy narzędzia pokazują, że jest ono w stanie zmniejszyć rozmycie w różnych typach obrazów, w tym tekstów, fotografii i ilustracji. Jak donosi The Verge, wyniki wytworzone przez program wydają się być lepsze niż inne narzędzia do podnoszenia rozdzielczości obrazu, które często wykorzystują algorytmy takie jak Nearest Neighbors i Bilinear.

Badania nad super-rozdzielczością były prowadzone przez różne firmy technologiczne, takie jak Google (GOOGL ), Microsoft (MSFT ) i Nvidia. Wiele firm opracowało własne algorytmy super-rozdzielczości, ale metoda szkolenia urządzeń super-rozdzielczości opiera się na tych samych podstawowych zasadach.

Narzędzie ML Super Resolution i inne narzędzia super-rozdzielczości są szkolone przy użyciu par obrazów o niskiej i wysokiej rozdzielczości. Obrazy o niskiej rozdzielczości są zwykle tylko zmniejszonymi wersjami regularnych obrazów o wysokiej rozdzielczości. Porównania są dokonywane między obrazami o niskiej i wysokiej rozdzielczości, a algorytmy sztucznej inteligencji uczą się, jak różnią się obszary pikseli w obrazach o wysokiej rozdzielczości od tych w obrazach o niskiej rozdzielczości. Celem jest to, aby sieci neuronowe nauczyły się rozpoznawać wzorce pikseli, które prowadzą do obrazu o wyższej rozdzielczości. Mogą one następnie wykorzystać te wzorce różnic do przewidzenia, gdzie dodać piksele do obrazu, aby poprawić rozdzielczość, gdy zostaną przedstawione nieznanemu obrazowi.

Aplikacje super-rozdzielczości mogą być tworzone przy użyciu różnych metod. Na przykład, jedną z metod super-rozdzielczości jest użycie Generative Adversarial Networks (GANs). GANs to tak naprawdę dwie sieci neuronowe, które rywalizują ze sobą, wykorzystując pojęcia z teorii gier, takie jak zero-sum game i model actor-critic. Podstawowym zadaniem jednej sieci neuronowej jest tworzenie fałszywych obrazów, podczas gdy zadaniem drugiej sieci jest wykrywanie tych fałszywych obrazów. Sieć, która tworzy fałszywe obrazy, nazywa się generatorem, a sieć, która je wykrywa, nazywa się dyskryminatorem.

W przypadku narzędzia Super-Resolution Pixelmatora, utworzono sieć neuronową zwaną convolutional neural network, która również zaimplementowała bloki “enlarge”, które powiększają obraz po przeskanowaniu go przez 29 warstw convolutional. Powiększony obraz jest następnie przetwarzany i transformowany z powrotem w tradycyjny obraz o poprawionej rozdzielczości. Sieć zawiera również funkcje, które redukują szum i radzą sobie z artefaktami kompresji, tak aby te aspekty obrazu nie były powiększane. Algorytmy Pixelmatora są znacznie mniejsze niż algorytmy używane w środowiskach badawczych, aby mogły być zawarte w aplikacji Pixelmator Pro i działać na różnych urządzeniach. Zestaw danych szkoleniowych jest dość mały w porównaniu z innymi zestawami danych używanymi do podobnych aplikacji, ns, tylko 15000 próbek zostało użytych do szkolenia algorytmów.

Zgodnie z doniesieniami The Verge, istnieją inne narzędzia super-rozdzielczości dostępne dla konsumentów. Na przykład, Adobe (ADBE ) również ma swoje własne narzędzie super-rozdzielczości w swoim pakiecie Adobe Camera, ale narzędzie Pixelmatora wydaje się produkować najbardziej spójne obrazy o wysokiej jakości.