Du behöver bara gå och kolla in den senaste Hollywood-storfilmen eller plocka upp en ny AAA-speltitel påminde om att datorgrafik kan användas för att skapa några bländande överjordiska bilder när de kallas för. Men några av de mest imponerande exemplen på maskingenererade bilder är inte nödvändigtvis främmande landskap eller gigantiska monster, de är bildmodifieringar som vi inte ens märker.
Så är fallet med en ny A.I. demonstration skapad av datavetare i Kina. Ett samarbete mellan Sun Yat-sen University i Guangzhou och Pekings Microsoft Research lab, har de utvecklat en smart konstgjord intelligens som kan användas för att exakt fylla i tomma områden i en bild: Oavsett om det är ett saknat ansikte eller framsidan av en byggnad.
Rekommenderade videor
Tekniken kallas inpainting och använder djupinlärningsteknik för att fylla dessa utrymmen antingen genom att kopiera bildfläckar på resten av bilden, eller genom att skapa nya områden som ser övertygande ut exakt. Verktyget, som av dess skapare kallas PEN-Net (Pyramid-context ENcoder Network), gör denna bildåterställning genom att "koda kontextuell semantik från fullupplöst input och avkoda de inlärda semantiska egenskaperna tillbaka till bilder." De resulterande Attention Transfer Network (ATN)-bilderna är inte bara imponerande realistiska, utan verktyget är också mycket snabbt att lära sig.
Relaterad
- Googles AI-bilddetekteringsverktyg känns som att det skulle kunna fungera
- Microsoft slutar med sin läskiga, känsloläsande A.I.
- Analog A.I.? Det låter galet, men det kanske är framtiden
"[I detta arbete föreslog vi] en djup generativ modell för högkvalitativa bildmålningsuppgifter," Yanhong Zeng, en huvudförfattare på projektet, som är knuten till både Sun Yat-sen Universitys School of Data och Datavetenskap och Key Laboratory of Machine Intelligence och Advanced Computing, berättade för Digital Trends. "Vår modell fyller uteblivna områden från djupa till grunda på alla nivåer, baserat på en mekanism för övervakning av flera skikt, så att både struktur och texturkonsekvens kan säkerställas i målningsresultat. Vi är glada över att se att vår modell kan generera tydligare texturer och mer rimliga strukturer än tidigare verk."
Som Zeng noterar är det inte första gången forskare har utvecklat verktyg för att utföra målning. Teamets PEN-Net-system visar dock imponerande resultat vid sidan av den klassiska metoden PatchMatch och till och med andra toppmoderna metoder.
"Image inpainting har ett brett utbud av tillämpningar i vårt dagliga liv," fortsatte Zeng. "Vi planerar nu att tillämpa vår teknik i bildredigering - speciellt för borttagning av objekt [och] gamla fotorestaurering."
En artikel som beskriver arbetet, med titeln "Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting", finns att läsa på förtryckspappersförråd Arxiv.
Redaktörens rekommendationer
- Detta nya Photoshop-verktyg kan ge AI-magi till dina bilder
- Jag presenterade min löjliga startidé för en robot-VC
- Zooms A.I. teknik för att upptäcka känslor under samtal upprör kritiker
- Den roliga formeln: Varför maskingenererad humor är A.I.s heliga gral.
- Nvidias senaste A.I. Resultaten visar att ARM är redo för datacentret
Uppgradera din livsstilDigitala trender hjälper läsare att hålla koll på den snabba teknikvärlden med alla de senaste nyheterna, roliga produktrecensioner, insiktsfulla redaktioner och unika smygtittar.
