Tối ưu hóa hình ảnh bằng cách sử dụng Machine Learning


Lý Ðức Bảo
1 năm trước
Hữu ích 0 Chia sẻ Viết bình luận 0
Đã xem 8414

Cơn sốt của việc học sâu đã mang lại nhiều thách thức cho hiện trạng thông tin. Đối với một số trường hợp sử dụng, thành công của nó có ý nghĩa và dường như không thể tránh khỏi. Đối với những người khác, như xử lý hình ảnh, giá thầu của nó vượt trội hơn các thuật toán cứng trong nén và tối ưu hóa dường như khó dự đoán hơn, đặt ra câu hỏi về những kỳ công của kỹ thuật máy tính là an toàn khi nắm bắt. Ngày nay, chúng ta sẽ chỉ nhìn vào cách thức học máy thay đổi cách chúng ta lưu trữ, tạo và tối ưu hóa hình ảnh, nhưng mọi góc cạnh của khoa học thông tin đều thấy những cuộc đối đầu tương tự bằng cách học sâu.

Nén hình ảnh và độ phân giải

Năm ngoái, Google đã phát hành RAISR , một thuật toán kết hợp việc ghép mẫu truyền thống với học sâu để biến hình ảnh có độ phân giải thấp thành các đối tác có độ phân giải cao đầy thuyết phục. Làm điều này đòi hỏi phải điều tra những điểm mạnh và hạn chế của cả phân tích hình ảnh trường học cũ và học sâu, lấy những phần tốt nhất từ ​​cả hai và tạo ra thuật toán chimera nhanh hơn hầu hết các phương pháp học sâu khác, với kết quả vượt trội.

Theo cách tương tự, một công ty có tên WaveOne tuyên bố đã đào tạo một mô hình để nén hình ảnh thành kích thước nhỏ với thành công lớn hơn nhiều so với các codec phổ biến như JPEG. Có vẻ như đây sẽ không phải là lần cuối cùng chúng ta nghe về việc học máy vượt qua các thuật toán nén mà chúng ta đã biết và yêu thích.

Nâng cao hình ảnh

Xin chào, lại là Google (với sự trợ giúp từ MIT). Hãy xem Học tập song phương sâu sắc để cải thiện hình ảnh thời gian thực . Bây giờ học máy đã được sử dụng để thực hiện chỉnh sửa ảnh giống như con người trong thời gian thực trên điện thoại của bạn. Vì vậy, thay vì chụp ảnh và hướng tới Instagram để áp dụng một loạt các bộ lọc nghệ thuật, người mẫu có thể cho bạn thấy ảnh của bạn trông như thế nào với các cải tiến hình ảnh chất lượng chuyên nghiệp khi bạn dựng khung ảnh. Điều này được thực hiện thông qua các dự đoán thông minh về các phép biến đổi affine có độ phân giải thấp có thể được thu nhỏ trước khi được áp dụng, và hey chúng tôi thậm chí đã viết một  bài về nó .

Thao tác hình ảnh và thế hệ

Các mạng đối nghịch hố hai mạng thần kinh riêng biệt với nhau để tấn công nó cho đến khi hội tụ. Hoặc nếu bạn là một nửa người hoàn toàn bằng kính, một mạng sẽ dạy cho người kia cách tạo một số dữ liệu (ít thú vị hơn). Điều này đã được sử dụng cho một số kết thúc khá hay, bao gồm loại bỏ mưa khỏi ảnh , biến màn đêm thành ban ngày, v.v. Khả năng các mạng đối nghịch học cách tạo dữ liệu mới là chưa từng có và cực kỳ mạnh mẽ, và khi nghiên cứu về các cải tiến hiện đại, mong đợi được nghe khá nhiều về chúng. Ngoài ra, trong khi bạn đang ở đó, bạn có thể muốn bắt đầu không tin tưởng mọi thứ bạn nhìn thấy .

Hữu ích 0 Chia sẻ Viết bình luận 0
Đã xem 8414