التاليالدليل التالي
Imagen تحويل النص إلى صورة
الذكاء الاصطناعي البصري
دليل الذكاء الاصطناعي المرئي
تلميع الصورة
إن صبغ الصورة هو فن قطع موضوع من الصورة بحواف شبه شفافة ومثالية للبكسل - لالتقاط كل خصلة شعر ناعمة أو ضبابية الحركة.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
على عكس التجزئة البسيطة، فإنه يقدر مقدار كل بكسل ينتمي إلى المقدمة.
الغوص العميق
يحل Matting معادلة التركيب: كل بكسل تمت ملاحظته هو مزيج من لون المقدمة ولون الخلفية، ممزوجًا بقيمة ألفا بين 0 و1. الهدف هو استعادة ألفا غير اللامع - قناع ناعم حيث 1 هو المقدمة بالكامل، 0 هو الخلفية بالكامل، والقيم الكسرية تلتقط المناطق الغامضة أو الشفافة. هذا غير محدد رياضيًا، لذلك اعتمدت الأساليب الكلاسيكية على مخطط القطع الذي رسمه المستخدم لتحديد مقدمة محددة وخلفية محددة ومناطق غير معروفة. تتعلم أساليب التعلم العميق مثل Deep Image Matting (2017) التنبؤ بألفا مباشرةً من الصور والتخطيطات المقتطعة، بينما تقدر النماذج الأحدث الخالية من التقطيع مثل MODNet وRobust Video Matting اللون غير اللامع في الوقت الفعلي من صورة شخصية أو خلاصة كاميرا الويب وحدها.
التنفيذ في العالم الحقيقي
الخلفيات الافتراضية في مؤتمرات الفيديو، تحل محل الغرفة خلف مكبر الصوت في الوقت الفعلي
تركيب الشاشة الخضراء للأفلام والتلفزيون، واستخراج الممثلين ذوي حواف الشعر النظيفة من أجل المؤثرات البصرية
صور منتجات التجارة الإلكترونية، ووضع العناصر على خلفيات بيضاء نظيفة تلقائيًا
وضع الصورة وإنشاء الملصقات في تطبيقات الهاتف، مما يؤدي إلى استبعاد الأشخاص من المشاركة الاجتماعية
مستقبل تلميع الصور
يتجه Matting نحو تشغيل الفيديو بشكل تلقائي بالكامل وفي الوقت الفعلي وبدون قطع خرائط - وهو ما يعمل بالفعل على تشغيل استبدال الخلفية في مكالمات الفيديو. تعمل الأبحاث على زيادة الدقة والتعامل بشكل أفضل مع الشفافية المعقدة مثل الزجاج والدخان، والتكامل الأكثر إحكامًا مع النماذج التوليدية لإعادة الإضاءة والتركيب السلس. توقع دمج المادة اللامعة مع خطوط التحرير القائمة على الانتشار، بحيث يصبح قطع موضوع ما وإسقاطه في مشهد جديد متسق مع الإضاءة خطوة تلقائية واحدة على أجهزة المستهلك.
وضعها موضع التنفيذ
لماذا يهم
- السرعة والحجم. يمكن للذكاء الاصطناعي المرئي أتمتة مهام الفحص والكشف ووضع العلامات على نطاق واسع.
- خيارات البناء. يمكن للفرق الإبداعية إنشاء نماذج أولية للمفاهيم بشكل أسرع مع عدد أقل من المراجعات اليدوية.
- الفريق وسير العمل. يمكن أن تستخدم العمليات إشارات الصور والفيديو التي كان من الصعب معالجتها في السابق.
احترس من
- يمكن أن تصبح حقوق الصور والموافقة مخاطر قانونية إذا كان المصدر غير واضح.
- يمكن أن يختلف أداء النموذج عبر الإضاءة والتركيبة السكانية والبيئات.
- قد تمر الإيجابيات الكاذبة دون أن يلاحظها أحد ما لم تتم مراقبة عتبات الثقة.
الخطوات التالية
- تحديد معايير القبول لتكاليف الدقة والاستدعاء والخطأ.
- اختبار مع البيانات التي تتوافق مع ظروف الإنتاج الحقيقية.
- أضف مراجعة بشرية للتنبؤات منخفضة الثقة أو عالية التأثير.
- تتبع انحراف النموذج وإعادة التحقق من صحته بعد تغيير الكاميرا أو مجموعة البيانات.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Image Matting quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هو تلميع الصورة؟
إن صبغ الصورة هو فن قطع موضوع من الصورة بحواف شبه شفافة ومثالية للبكسل - لالتقاط كل خصلة شعر ناعمة أو ضبابية الحركة. على عكس التجزئة البسيطة، فهو يقدر مقدار كل بكسل ينتمي إلى المقدمة.
ماذا يمثل ألفا ماتي في تلميع الصورة؟
ألفا هو العتامة لكل بكسل: 1 هو المقدمة الكاملة، 0 هو الخلفية الكاملة، والكسور تلتقط المناطق الناعمة أو الشفافة.
كيف يختلف حصيرة بشكل أساسي عن التجزئة الثنائية؟
يعطي التجزئة تسمية ثابتة للمقدمة/الخلفية، بينما يستعيد التلميع قيم ألفا المستمرة للحصول على تفاصيل دقيقة وشبه شفافة.
ما هو Trimap في حصيرة الكلاسيكية؟
يقوم القطع المقطوع بتقسيم الصورة إلى مقدمة معروفة وخلفية معروفة ونطاق غير معروف حيث يجب حل ألفا.
ما الذي يميز نماذج مثل MODNet وRobust Video Matting؟
تقوم هذه الشبكات الأحدث بتقدير ألفا غير اللامع مباشرة من الصورة الشخصية أو الفيديو دون الحاجة إلى مخطط القطع المقدم من المستخدم.
ما هي الخسارة التي يتم دمجها عادةً مع خطأ توقع ألفا في التلميع العميق؟
تعمل الخسارة التركيبية على إعادة تركيب المقدمة والخلفية باستخدام ألفا المتوقعة ومقارنة النتيجة بالمدخلات، مما يؤدي إلى تحسين الدقة.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع