Du behøver kun at se den seneste Hollywood-blockbuster eller hente en ny AAA-spiltitel mindet om, at computergrafik kan bruges til at skabe nogle blændende overjordiske billeder, når de kaldes til. Men nogle af de mest imponerende eksempler på maskingenererede billeder er ikke nødvendigvis fremmede landskaber eller gigantiske monstre, de er billedmodifikationer som vi ikke engang bemærker.
Det er tilfældet med en ny A.I. demonstration lavet af dataloger i Kina. Et samarbejde mellem Sun Yat-sen University i Guangzhou og Beijings Microsoft Research laboratorium har de udviklet en smart kunstig intelligens, som kan bruges til nøjagtigt at udfylde tomme områder i et billede: Uanset om det er et manglende ansigt eller forsiden af en bygning.
Anbefalede videoer
Kaldet inpainting, teknikken bruger deep learning teknologi til at fylde disse rum enten ved at kopiere billedpletter på resten af billedet, eller ved at generere nye områder, der ser overbevisende ud nøjagtig. Værktøjet, som af dets skabere omtales som PEN-Net (Pyramid-context ENcoder Network), udfører denne billedgendannelse ved at "kode kontekstuel semantik fra input i fuld opløsning og afkode de lærte semantiske træk tilbage til billeder." De resulterende billeder fra Attention Transfer Network (ATN) er ikke kun imponerende realistiske, men værktøjet er også meget hurtigt at lære.
Relaterede
- Googles AI-billeddetektionsværktøj føles som om det kunne fungere
- Microsoft forlader sin uhyggelige, følelseslæsende A.I.
- Analog A.I.? Det lyder skørt, men det er måske fremtiden
"[I dette arbejde foreslog vi] en dyb generativ model til billedmaleri af høj kvalitet," Yanhong Zeng, en hovedforfatter på projektet, som er tilknyttet både Sun Yat-sen University's School of Data og Computer Science og Key Laboratory of Machine Intelligence og Advanced Computing, fortalte Digital Trends. "Vores model udfylder manglende områder fra dyb til lavvandet på alle niveauer, baseret på en krydslags-opmærksomhedsmekanisme, så både struktur og tekstursammenhæng kan sikres i indmalingsresultater. Vi er glade for at se, at vores model er i stand til at generere klarere teksturer og mere fornuftige strukturer end tidligere værker."
Som Zeng bemærker, er det ikke første gang, forskere har udviklet værktøjer til at udføre inpainting. Teamets PEN-Net-system demonstrerer dog imponerende resultater ved siden af den klassiske metode PatchMatch og endda andre avancerede tilgange.
"Image inpainting har en bred vifte af anvendelser i vores daglige liv," fortsatte Zeng. "Vi planlægger nu at anvende vores teknologi i billedredigering - især til fjernelse af objekter [og] gamle fotogendannelse."
Et papir, der beskriver værket, med titlen "Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting," er tilgængeligt til at læse på fortrykspapirlager Arxiv.
Redaktørens anbefalinger
- Dette nye Photoshop-værktøj kan bringe AI-magi til dine billeder
- Jeg pitchede min latterlige opstartside til en robot-VC
- Zooms A.I. teknologi til at opdage følelser under opkald forstyrrer kritikere
- Den sjove formel: Hvorfor maskingenereret humor er den hellige gral for A.I.
- Nvidias seneste A.I. resultater viser, at ARM er klar til datacentret
Opgrader din livsstilDigital Trends hjælper læserne med at holde styr på den hurtige teknologiske verden med alle de seneste nyheder, sjove produktanmeldelser, indsigtsfulde redaktionelle artikler og enestående smugkig.
