التاليالدليل التالي
الترجمة غير المقترنة بـ CycleGAN
الذكاء الاصطناعي البصري
دليل الذكاء الاصطناعي المرئي
Pix2Pix ترجمة الصور إلى الصور
Pix2Pix عبارة عن شبكة GAN مشروطة تتعلم ترجمة نوع واحد من الصور إلى نوع آخر، مثل تحويل رسم تخطيطي إلى صورة أو خريطة إلى عرض عبر القمر الصناعي.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
وقد وضع وصفة عامة لمهام الترجمة المزدوجة من صورة إلى صورة.
الغوص العميق
تتعامل Pix2Pix، التي قدمتها Isola وزملاؤها في عام 2017، مع الترجمة باعتبارها توليدًا مشروطًا: فالصورة المدخلة نفسها هي الشرط. المولد الخاص به هو U-Net، وهو جهاز تشفير وفك تشفير مع اتصالات تخطي تحمل تفاصيل منخفضة المستوى مثل الحواف مباشرة من الإدخال إلى الإخراج. أداة التمييز هي PatchGAN التي تحكم على الواقعية في بقع محلية صغيرة بدلاً من الصورة بأكملها، مما يزيد من حدة الأنسجة. يجمع التدريب بين الخسارة العدائية وخسارة L1 (فرق البكسل) بحيث تظل المخرجات واقعية ومخلصة للهدف. المهم هو أن Pix2Pix يحتاج إلى بيانات تدريب مقترنة، مما يعني أمثلة متطابقة للمدخلات والمخرجات، والتي ألهمت المتابعات مثل CycleGAN التي تتعلم من المجموعات غير المقترنة.
التنفيذ في العالم الحقيقي
تحويل الرسومات التخطيطية المرسومة يدويًا إلى كائنات واقعية مثل حقائب اليد أو الأحذية
تحويل خرائط التسمية الدلالية إلى مشاهد شوارع واقعية للتصميم والمحاكاة
تلوين الصور الفوتوغرافية بالأبيض والأسود تلقائيًا
ترجمة مربعات الخرائط الجوية إلى صور الأقمار الصناعية والعودة
مستقبل ترجمة Pix2Pix من صورة إلى صورة
أثبتت Pix2Pix أن بنية واحدة يمكنها التعامل مع العديد من مشكلات الترجمة، ولا تزال هذه الفكرة قائمة. يمتد النسب من خلال التعلم غير المقترن لـ CycleGAN، والخلفاء ذوي الدقة العالية مثل pix2pixHD، وأساليب اليوم القائمة على الانتشار وControlNet التي تعتمد على الحواف أو العمق أو خرائط التجزئة. مع اكتساب النماذج لمقدمات أقوى، تخفف متطلبات البيانات المقترنة وتصبح الترجمات أعلى دقة وأكثر قابلية للتحكم، ولكن يظل Pix2Pix بمثابة خط أساس واضح وخفيف الوزن للمهام المقترنة.
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 Pix2Pix Image-to-Image Translation 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 هي ترجمة الصورة إلى الصورة من Pix2Pix؟
Pix2Pix عبارة عن شبكة GAN مشروطة تتعلم ترجمة نوع واحد من الصور إلى نوع آخر، مثل تحويل رسم تخطيطي إلى صورة أو خريطة إلى عرض عبر القمر الصناعي. لقد أنشأت وصفة عامة لمهام الترجمة المقترنة من صورة إلى صورة.
ما نوع بيانات التدريب التي تتطلبها Pix2Pix؟
يحتاج Pix2Pix إلى أزواج متطابقة (على سبيل المثال، رسم تخطيطي وصورته المقابلة)، ولهذا السبب تم إنشاء CycleGAN لاحقًا للبيانات غير المقترنة.
ما هي بنية المولدات التي يستخدمها Pix2Pix؟
يستخدم Pix2Pix وحدة فك ترميز وتشفير U-Net التي تقوم اتصالات التخطي بتمرير التفاصيل ذات المستوى المنخفض مباشرة من الإدخال إلى الإخراج.
ما الذي يقوم بتقييمه مُميز PatchGAN في Pix2Pix؟
يقوم برنامج PatchGAN بتقييم الواقعية رقعة تلو الأخرى، مما يشجع على الحصول على أنسجة أكثر وضوحًا وتناسقًا محليًا.
لماذا تضيف Pix2Pix خسارة L1 إلى جانب خسارة الخصومة؟
The paired L1 term anchors pixelwise or low-frequency correctness; the PatchGAN adversarial objective encourages realistic high-frequency texture.
لماذا تعتبر اتصالات U-Net تخطي مفيدة بشكل خاص لمهام الترجمة؟
غالبًا ما يتشارك الإدخال والإخراج في التخطيط والحواف، لذا فإن تخطي الاتصالات يحمل هذه التفاصيل بدلاً من الضغط عليها عبر عنق الزجاجة.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع