Mô hình AI có thể lấy hình ảnh mờ và tăng độ phân giải lên 60 lần

Các nhà nghiên cứu từ Đại học Duke đã phát triển một mô hình AI có khả năng lấy hình ảnh mờ, điểm ảnh và hiển thị chúng với chi tiết cao. Theo TechXplore, mô hình này có khả năng lấy số điểm ảnh tương đối ít và tăng kích thước hình ảnh để tạo ra hình ảnh mặt người nhìn thực tế với độ phân giải khoảng 64 lần so với hình ảnh gốc. Mô hình này tưởng tượng, hoặc tưởng tượng, các tính năng nằm giữa các dòng của hình ảnh gốc.

Nghiên cứu này là một ví dụ về siêu phân giải. Như Cynthia Rudin từ đội khoa học máy tính của Đại học Duke giải thích với TechXplore, dự án nghiên cứu này thiết lập một kỷ lục về siêu phân giải, vì trước đây chưa bao giờ có hình ảnh được tạo ra với sự sống động như vậy từ một mẫu điểm ảnh nhỏ. Các nhà nghiên cứu đã cẩn thận nhấn mạnh rằng mô hình không thực sự tái tạo lại khuôn mặt của người trong hình ảnh chất lượng thấp gốc. Thay vào đó, nó tạo ra các khuôn mặt mới, điền vào các chi tiết không có trước đó. Vì lý do này, mô hình không thể được sử dụng cho các hệ thống bảo mật, vì nó không thể biến hình ảnh mờ thành hình ảnh của một người thực.

Các kỹ thuật siêu phân giải truyền thống hoạt động bằng cách đoán các điểm ảnh cần thiết để biến hình ảnh thành hình ảnh chất lượng cao, dựa trên các hình ảnh mà mô hình đã học trước đó. Vì các điểm ảnh thêm vào là kết quả của việc đoán, không phải tất cả các điểm ảnh sẽ khớp với các điểm ảnh xung quanh và một số khu vực của hình ảnh có thể trông mờ hoặc bị biến dạng. Các nhà nghiên cứu từ Đại học Duke đã sử dụng một phương pháp đào tạo mô hình AI khác. Mô hình được tạo bởi các nhà nghiên cứu Duke hoạt động bằng cách lấy hình ảnh chất lượng thấp và thêm chi tiết vào hình ảnh theo thời gian, tham khảo các khuôn mặt AI được tạo ra với độ phân giải cao làm ví dụ. Mô hình tham khảo các khuôn mặt AI được tạo ra và cố gắng tìm những khuôn mặt giống với hình ảnh mục tiêu khi các khuôn mặt được tạo ra được thu nhỏ xuống kích thước của hình ảnh mục tiêu.

Đội nghiên cứu đã tạo ra một mô hình Mạng đối lập tạo sinh để xử lý việc tạo ra hình ảnh mới. GAN là thực sự hai mạng nơ-ron được đào tạo trên cùng một tập dữ liệu và được đặt cạnh nhau. Một mạng chịu trách nhiệm tạo ra hình ảnh giả giống như hình ảnh thực trong tập dữ liệu đào tạo, trong khi mạng thứ hai chịu trách nhiệm phát hiện hình ảnh giả từ hình ảnh thực. Mạng đầu tiên được thông báo khi hình ảnh của nó đã được xác định là giả, và nó cải thiện cho đến khi hình ảnh giả hy vọng không thể phân biệt được với hình ảnh thực.

Các nhà nghiên cứu đã đặt tên cho mô hình siêu phân giải của họ là PULSE, và mô hình này liên tục tạo ra hình ảnh chất lượng cao ngay cả khi được cung cấp hình ảnh mờ đến mức các phương pháp siêu phân giải khác không thể tạo ra hình ảnh chất lượng cao từ chúng. Mô hình này thậm chí có thể tạo ra hình ảnh mặt người nhìn thực tế từ hình ảnh mà các đặc điểm của khuôn mặt gần như không thể phân biệt. Ví dụ, khi được cung cấp một hình ảnh khuôn mặt với độ phân giải 16×16, nó có thể tạo ra một hình ảnh 1024 x 1024. Hơn một triệu điểm ảnh được thêm vào trong quá trình này, điền vào các chi tiết như sợi tóc, nếp nhăn và thậm chí ánh sáng. Khi các nhà nghiên cứu yêu cầu mọi người đánh giá 1440 hình ảnh được tạo ra bởi PULSE so với hình ảnh được tạo ra bởi các kỹ thuật siêu phân giải khác, hình ảnh được tạo ra bởi PULSE liên tục được đánh giá cao nhất.

Mặc dù các nhà nghiên cứu đã sử dụng mô hình của họ trên hình ảnh khuôn mặt của người, các kỹ thuật họ sử dụng có thể được áp dụng cho hầu như bất kỳ đối tượng nào. Hình ảnh chất lượng thấp của các đối tượng khác nhau có thể được sử dụng để tạo ra hình ảnh chất lượng cao của tập hợp các đối tượng đó, mở ra các ứng dụng có thể cho nhiều ngành công nghiệp và lĩnh vực khác nhau từ kính hiển vi, hình ảnh vệ tinh, giáo dục, sản xuất và y tế.