AI Modeli Bulanık Görüntüleri 60 Katına Kadar Çözünürlüğü Artırabilir

Duke Üniversitesi’nden araştırmacılar, yüksek derecede bulanık ve pikselli görüntüleri yüksek ayrıntıya sahip görüntülere dönüştürebilen bir AI modeli geliştirdiler. TechXplore’a göre, model relativ olarak az sayıda pikseli alıp görüntüleri büyüterek yaklaşık 64 kez orijinal görüntünün çözünürlüğüne sahip gerçekçi yüzler oluşturabiliyor. Model, orijinal görüntüdeki çizgiler arasındaki özellikleri hayal ediyor veya hayal ediyor.

Bu araştırma, süper çözünürlük örneğidir. Duke Üniversitesi’nin bilgisayar bilimi ekibinden Cynthia Rudin, TechXplore’a açıkladığı gibi, bu araştırma projesi süper çözünürlük için bir rekor teşkil ediyor, çünkü daha önce hiç bu kadar az sayıda başlangıç pikselinden böyle yüksek çözünürlüklü görüntüler oluşturulmamış. Araştırmacılar, modelin aslında orijinal düşük kaliteli görüntüdeki kişinin yüzünü yeniden yaratmadığını, bunun yerine yeni yüzler oluşturup önceden olmayan ayrıntıları doldurduğunu vurguladılar. Bu nedenle, model güvenlik sistemleri gibi şeylerde kullanılamaz, çünkü odak dışı görüntüleri gerçek bir kişinin görüntüsüne dönüştüremez.

Geleneksel süper çözünürlük teknikleri, görüntüyü yüksek çözünürlüğe dönüştürmek için gereken pikseller hakkında tahminler yaparak çalışır, bu tahminler daha önce öğrenilen görüntülere dayanır. Eklenen pikseller tahmin sonuçları olduğu için, tüm pikseller çevrelerindeki piksellerle eşleşmeyebilir ve görüntünün bazı bölgeleri bulanık veya bozulmuş görünebilir. Duke Üniversitesi’nden araştırmacılar, AI modelini farklı bir yöntemle eğittiler. Duke araştırmacılarının oluşturduğu model, önce düşük çözünürlüklü görüntüleri alıp zamanla görüntüye ayrıntı ekleyerek, yüksek çözünürlüklü AI tarafından oluşturulan yüzleri örnek olarak alır. Model, AI tarafından oluşturulan yüzleri referans alır ve hedef görüntüye benzeyenleri bulmaya çalışır, oluşturulan yüzler hedef görüntüdeki boyutuna indirildiğinde.

Araştırmacılar, yeni görüntüler oluşturmak için bir Generative Adversarial Network (GAN) modeli oluşturdular. GAN’lar aslında aynı veri kümesinde eğitilen ve birbirlerine karşı yarışan iki sinir ağıdır. Bir ağ, gerçek görüntüleri taklit eden sahte görüntüler oluşturmakla sorumludur, ikinci ağ ise sahte görüntüleri gerçeklerden ayırmakla sorumludur. İlk ağ, görüntülerinin sahte olarak tespit edildiğinde bilgilendirilir ve gerçek görüntülerden ayırt edilemeyecek hale gelene kadar gelişir.

Araştırmacılar, süper çözünürlük modeline PULSE adını verdiler ve model, diğer süper çözünürlük yöntemleri yüksek kaliteli görüntüler oluşturamayan bulanık görüntülere bile yüksek kaliteli görüntüler üretebiliyor. Model, neredeyse ayırt edilemeyen yüz özelliklerine sahip görüntülerden bile gerçekçi yüzler oluşturabiliyor. Örneğin, 16×16 çözünürlüklü bir yüz görüntüsünden 1024 x 1024 görüntü oluşturabiliyor. Bu işlem sırasında bir milyondan fazla piksel eklenerek, saç telleri, kırışıklıklar ve даже aydınlatma gibi ayrıntılar dolduruluyor. Araştırmacılar, insanların 1440 PULSE tarafından oluşturulan görüntüleri diğer süper çözünürlük teknikleriyle oluşturulan görüntülere karşı değerlendirmesini istediğinde, PULSE tarafından oluşturulan görüntüler tutarlı olarak en iyi puanları aldı.

Araştırmacılar, modelini insan yüzleri görüntülerinde kullandılar, ancak kullandıkları teknikleri几乎 herhangi bir nesneye uygulamak mümkün. Various nesnelerin düşük çözünürlüklü görüntülerini kullanarak o nesne setinin yüksek çözünürlüklü görüntülerini oluşturmak mümkün, bu da mikroskopi, uydu görüntüleme, eğitim, imalat ve tıp gibi çeşitli endüstriler ve alanlar için olası uygulamalar açıyor.