కృత్రిమ మేధస్సు
AI మోడల్ అస్పష్టమైన చిత్రాలను తీయగలదు మరియు రిజల్యూషన్‌ను 60 రెట్లు మెరుగుపరుస్తుంది
డ్యూక్ యూనివర్శిటీకి చెందిన పరిశోధకులు అత్యంత అస్పష్టమైన, పిక్సలేటెడ్ చిత్రాలను తీయగల మరియు వాటిని అధిక వివరాలతో అందించగల AI మోడల్‌ను అభివృద్ధి చేశారు. టెక్ ఎక్స్‌ప్లోర్ ప్రకారం, మోడల్ సాపేక్షంగా కొన్ని పిక్సెల్‌లను తీసుకోగలదు మరియు అసలైన చిత్రం యొక్క రిజల్యూషన్ కంటే దాదాపు 64 రెట్లు ఉండే వాస్తవిక ముఖాలను సృష్టించడానికి చిత్రాలను స్కేల్ చేయగలదు. మోడల్ అసలైన చిత్రం యొక్క పంక్తుల మధ్య ఉన్న లక్షణాలను భ్రాంతి చేస్తుంది లేదా ఊహించింది.
పరిశోధన సూపర్ రిజల్యూషన్‌కు ఉదాహరణ. డ్యూక్ విశ్వవిద్యాలయం యొక్క కంప్యూటర్ సైన్స్ బృందం నుండి సింథియా రూడిన్ వలె టెక్‌ఎక్స్‌ప్లోర్‌కు వివరించారు, ఈ రీసెర్చ్ ప్రాజెక్ట్ సూపర్ రిజల్యూషన్ కోసం రికార్డును నెలకొల్పింది, మునుపెన్నడూ లేనంతగా, ప్రారంభ పిక్సెల్‌ల యొక్క చిన్న నమూనా నుండి ఇటువంటి అనుభూతితో చిత్రాలు సృష్టించబడలేదు. అసలు, తక్కువ-నాణ్యత చిత్రంలో ఉన్న వ్యక్తి యొక్క ముఖాన్ని మోడల్ వాస్తవానికి పునఃసృష్టించదని నొక్కి చెప్పడంలో పరిశోధకులు జాగ్రత్తగా ఉన్నారు. బదులుగా, ఇది కొత్త ముఖాలను ఉత్పత్తి చేస్తుంది, ఇంతకు ముందు లేని వివరాలను పూరిస్తుంది. ఈ కారణంగా, మోడల్‌ని భద్రతా వ్యవస్థల వంటి దేనికీ ఉపయోగించలేరు, ఎందుకంటే ఇది ఫోకస్ చిత్రాలను నిజమైన వ్యక్తి యొక్క చిత్రాలుగా మార్చలేరు.
సాంప్రదాయ సూపర్-రిజల్యూషన్ టెక్నిక్‌లు మోడల్ గురించి ముందే తెలుసుకున్న చిత్రాల ఆధారంగా ఇమేజ్‌ని హై-రిజల్యూషన్ ఇమేజ్‌గా మార్చడానికి ఏ పిక్సెల్‌లు అవసరమో ఊహించడం ద్వారా పనిచేస్తాయి. జోడించిన పిక్సెల్‌లు అంచనాల ఫలితంగా ఉంటాయి కాబట్టి, అన్ని పిక్సెల్‌లు వాటి చుట్టుపక్కల పిక్సెల్‌లతో సరిపోలడం లేదు మరియు చిత్రంలోని కొన్ని ప్రాంతాలు అస్పష్టంగా లేదా వార్ప్‌గా కనిపించవచ్చు. డ్యూక్ యూనివర్శిటీకి చెందిన పరిశోధకులు వారి AI మోడల్‌కు శిక్షణ ఇవ్వడానికి వేరే పద్ధతిని ఉపయోగించారు. డ్యూక్ పరిశోధకులచే సృష్టించబడిన మోడల్ మొదట తక్కువ-రిజల్యూషన్ చిత్రాలను తీయడం ద్వారా మరియు కాలక్రమేణా చిత్రానికి వివరాలను జోడించడం ద్వారా పనిచేస్తుంది, అధిక-రిజల్యూషన్ AI- రూపొందించిన ముఖాలను ఉదాహరణలుగా సూచిస్తుంది. మోడల్ AI- రూపొందించిన ముఖాలను సూచిస్తుంది మరియు ఉత్పత్తి చేయబడిన ముఖాలను లక్ష్య చిత్రం యొక్క పరిమాణానికి తగ్గించినప్పుడు లక్ష్య చిత్రాలను పోలి ఉండే వాటిని కనుగొనడానికి ప్రయత్నిస్తుంది.
కొత్త చిత్రాల సృష్టిని నిర్వహించడానికి పరిశోధనా బృందం జనరేటివ్ అడ్వర్సరియల్ నెట్‌వర్క్ మోడల్‌ను రూపొందించింది. GANలు వాస్తవానికి రెండు న్యూరల్ నెట్‌వర్క్‌లు, ఇవి రెండూ ఒకే డేటాసెట్‌లో శిక్షణ పొందాయి మరియు ఒకదానికొకటి వ్యతిరేకంగా ఉంటాయి. శిక్షణ డేటాసెట్‌లోని నిజమైన చిత్రాలను అనుకరించే నకిలీ చిత్రాలను రూపొందించడానికి ఒక నెట్‌వర్క్ బాధ్యత వహిస్తుంది, అయితే రెండవ నెట్‌వర్క్ నిజమైన వాటి నుండి నకిలీ చిత్రాలను గుర్తించడానికి బాధ్యత వహిస్తుంది. మొదటి నెట్‌వర్క్‌కు దాని చిత్రాలు నకిలీవిగా గుర్తించబడినప్పుడు తెలియజేయబడుతుంది మరియు నకిలీ చిత్రాలను నిజమైన చిత్రాల నుండి ఆశాజనకంగా గుర్తించలేనంత వరకు ఇది మెరుగుపడుతుంది.
పరిశోధకులు తమ సూపర్ రిజల్యూషన్ మోడల్‌గా పేరు పెట్టారు పల్స్, మరియు ఇతర సూపర్-రిజల్యూషన్ పద్ధతులు వాటి నుండి అధిక-నాణ్యత గల చిత్రాలను సృష్టించలేనంత అస్పష్టంగా ఇచ్చిన చిత్రాలను అందించినప్పటికీ మోడల్ స్థిరంగా అధిక-నాణ్యత చిత్రాలను ఉత్పత్తి చేస్తుంది. ముఖం యొక్క లక్షణాలు దాదాపుగా వేరు చేయలేని చిత్రాల నుండి వాస్తవికంగా కనిపించే ముఖాలను రూపొందించడానికి కూడా మోడల్ సామర్థ్యం కలిగి ఉంటుంది. ఉదాహరణకు, 16×16 రిజల్యూషన్‌తో ముఖం యొక్క చిత్రాన్ని ఇచ్చినప్పుడు, అది 1024 x 1024 చిత్రాన్ని సృష్టించగలదు. ఈ ప్రక్రియలో మిలియన్ కంటే ఎక్కువ పిక్సెల్‌లు జోడించబడ్డాయి, జుట్టు తంతువులు, ముడతలు మరియు లైటింగ్ వంటి వివరాలను పూరించండి. పరిశోధకులు ఇతర సూపర్-రిజల్యూషన్ టెక్నిక్‌ల ద్వారా రూపొందించబడిన చిత్రాలకు వ్యతిరేకంగా 1440 PULSE రూపొందించిన చిత్రాలను రేట్ చేసినప్పుడు, PULSE రూపొందించిన చిత్రాలు స్థిరంగా ఉత్తమంగా స్కోర్ చేయబడ్డాయి.
పరిశోధకులు వారి నమూనాను వ్యక్తుల ముఖాల చిత్రాలపై ఉపయోగించినప్పటికీ, వారు ఉపయోగించే అదే పద్ధతులు దాదాపు ఏదైనా వస్తువుకు వర్తించవచ్చు. వివిధ వస్తువుల యొక్క తక్కువ-రిజల్యూషన్ చిత్రాలను ఆ వస్తువుల సెట్ యొక్క అధిక-రిజల్యూషన్ చిత్రాలను రూపొందించడానికి ఉపయోగించవచ్చు, మైక్రోస్కోపీ, ఉపగ్రహ చిత్రాలు, విద్య, తయారీ మరియు వైద్యం నుండి వివిధ పరిశ్రమలు మరియు రంగాల కోసం సాధ్యమయ్యే అప్లికేషన్‌లను తెరవవచ్చు.
