联系我们

人工神经网络

AI模型可以拍摄模糊图像并将分辨率提高60倍

mm

已发表

 on

杜克大学的研究人员已经开发出一种AI模型,该模型能够拍摄高度模糊的像素化图像并以高细节渲染它们。  根据TechXplore,该模型能够拍摄相对较少的像素并按比例放大图像,以创建逼真的人脸,其分辨率约为原始图像的64倍。模型使幻觉或想象出原始图像线之间的特征。

该研究是超分辨率的一个例子。杜克大学计算机科学团队的辛西娅·鲁丁(Cynthia Rudin) 向TechXplore解释,这项研究项目创下了超分辨率的记录,这是前所未有的,从如此小的起始像素样本中就可以用这种图像创建图像。研究人员小心地强调,该模型实际上并不会在原始的低质量图像中重现人的脸部。相反,它会生成新面孔,并填充以前没有的细节。因此,该模型无法用于安全系统之类,因为它无法将聚焦图像转换为真实人物的图像。

传统的超分辨率技术通过基于模型预先了解的图像来猜测将图像转换为高分辨率图像所需的像素,从而进行操作。由于添加的像素是猜测的结果,因此并非所有像素都将与其周围的像素匹配,并且图像的某些区域可能看起来模糊或变形。杜克大学的研究人员使用了另一种方法来训练他们的AI模型。由Duke研究人员创建的模型的工作方式是首先拍摄低分辨率图像,然后随着时间的流逝在图像中添加细节,并以高分辨率AI生成的面部为例。该模型引用AI生成的面部,并在将生成的面部按比例缩小到目标图像的尺寸时尝试查找与目标图像相似的面部。

研究团队创建了一个生成对抗网络模型来处理新图像的创建。 GAN实际上是两个神经网络,它们都在相同的数据集上训练并且相互抵触。一个网络负责生成模仿训练数据集中真实图像的伪图像,而第二个网络负责从真实图像中检测伪图像。当第一个网络的图像已被识别为伪造时,便会得到通知,并且它会不断改善,直到伪造图像与真实图像有希望地区分开为止。

研究人员称他们的超分辨率模型 脉冲 ,即使给定的图像太模糊以至于其他超分辨率方法也无法从中创建高质量图像,该模型仍会始终生成高质量图像。该模型甚至可以从几乎无法区分面部特征的图像中制作逼真的面部。例如,当给定具有16个面部的图像时×16分辨率,它可以创建1024 x 1024图像。在此过程中添加了超过一百万个像素,填充了头发,皱纹甚至照明等细节。当研究人员对1440个PULSE生成的图像与其他超分辨率技术生成的图像进行评分时,PULSE生成的图像始终获得最佳评分。

研究人员将模型用于人脸图像的同时,他们使用的相同技术几乎可以应用于任何物体。各种对象的低分辨率图像可用于创建该组对象的高分辨率图像,从而为显微镜,卫星图像,教育,制造和医学等各种不同行业和领域打开了可能的应用。

专门从事以下工作的Blogger和程序员 Machine Learning Deep Learning 话题。 Daniel希望帮助他人将AI的力量用于社会公益。