В этом без комментариев мы сосредоточимся на растущей технике сверхразрешения. Идея проста: сделайте фотографию с низким разрешением и увеличьте ее до большего количества пикселей. Удивительно то, что с помощью нейронных сетей можно заполнить больше недостающих данных, чем вы можете себе представить.
Иногда новости достаточно хорошо освещаются в других местах, и нам мало что остается добавить, кроме как довести их до вашего сведения.
Без комментариев-это формат, в котором мы представляем исходную исходную информацию, слегка отредактированную, чтобы вы могли решить, хотите ли вы следить за ней.
В этом //Без комментариев у нас есть научная статья о реализации сверхразрешения с использованием нейронной сети и репро GitHub, которая дает вам возможность опробовать метод нейронной сети в Python.
Обычный способ увеличения количества пикселей в изображении, также называемый масштабированием, заключается в использовании интерполяции, чтобы новые пиксели имели значения, промежуточные между окружающими их пикселями. Наиболее распространенным методом интерполяции является би-кубический метод, с которым следует сравнивать сложные методы нейронных сетей.
Фотореалистичное Одиночное изображение Сверхразрешения С использованием Генеративной Состязательной сети
Несмотря на прорывы в точности и скорости сверхразрешения отдельных изображений с использованием более быстрых и глубоких сверточных нейронных сетей, одна центральная проблема остается в значительной степени нерешенной: как мы восстанавливаем более тонкие детали текстуры при сверхразрешении при больших коэффициентах масштабирования?
Во время понижающей дискретизации изображения информация теряется, что делает сверхразрешение крайне некорректной обратной задачей с большим набором возможных решений. Таким образом, поведение методов сверхразрешения, основанных на оптимизации, в основном определяется выбором целевой функции. Недавние работы в основном были сосредоточены на минимизации среднеквадратичной ошибки реконструкции (MSE). Полученные оценки имеют высокое пиковое отношение сигнал / шум (PSNR), но они часто чрезмерно сглажены, не имеют высокочастотной детализации, что делает их перцептивно неудовлетворительными. В этой статье мы представляем генеративную состязательную сеть сверхразрешения (SRGAN).
Насколько нам известно, это первый фреймворк, способный восстанавливать фотореалистичные естественные изображения с 4-кратной понижающей дискретизацией. Для достижения этой цели мы предлагаем функцию потери восприятия, которая состоит из потери состязательности и потери контента. Состязательная потеря подталкивает наше решение к естественному многообразию изображений с использованием сети дискриминаторов,которая обучена различать сверхразрешенные изображения и оригинальные фотореалистичные изображения. Кроме того, мы используем функцию потери контента, мотивированную перцептивным сходством, а не сходством в пространстве пикселей.
Обученная на 350K изображениях с использованием функции потери восприятия, наша глубокая остаточная сеть смогла восстановить фотореалистичные текстуры из сильно уменьшенных изображений на общедоступных тестах.
Сверхразрешение изображения благодаря глубокому обучению
Сверхразрешение изображения благодаря глубокому обучению. Этот проект использует глубокое обучение для увеличения масштаба изображений 16×16 в 4 раза. Полученные изображения размером 64×64 отображают четкие черты, которые правдоподобны на основе набора данных, который использовался для обучения нейронной сети.
Вот случайный, не вишневый пример того, что может сделать эта сеть. Слева направо первый столбец-это входное изображение 16×16, второй-то, что вы получите при стандартной бикубической интерполяции, третий-результат, генерируемый нейронной сетью, а справа-основная истина.
Этот конкретный пример был получен после обучения сети в течение 3 часов на графическом процессоре GTX 1080, что эквивалентно 130 000 партиям или примерно 10 эпохам.
Для использования кода вам понадобится Python 3 с Tensorflow, numpy, scipy и moviepy.
Чтобы получать информацию о новых статьях на I Programmer, подпишитесь на нашу еженедельную рассылку,подпишитесь на RSS-канал и следуйте за нами в Twitter, Facebook, Google+ или Linkedin.
Комментарии
Сделайте комментарий или Просмотрите существующие комментарии С помощью Disqus