ESRGAN και GAN Super-Resolution
Το ESRGAN χρησιμοποιεί έναν διαγωνισμό γεννήτριας εναντίον διακρίσεων για να εφεύρει ρεαλιστικές λεπτομέρειες κατά την αναβάθμιση των εικόνων, υπερβαίνοντας τη θολή παρεμβολή.
Επισκόπηση
It matters because it set the template for photo-realistic super-resolution that still influences tools today.
Βαθιά κατάδυση
Το ESRGAN (Enhanced Super-Resolution Generative Adversarial Network), που παρουσιάστηκε το 2018, βελτιώθηκε σε σχέση με το προηγούμενο SRGAN. Χρησιμοποιεί μια γεννήτρια κατασκευασμένη από Residual-in-Residual Dense Blocks (RRDB) που στοιβάζουν πολλές πυκνές συνδέσεις χωρίς ομαλοποίηση παρτίδας, οι οποίες οι συγγραφείς βρήκαν ότι προκαλούν τεχνουργήματα. Ένα ξεχωριστό δίκτυο διακρίσεων προσπαθεί να αφηγηθεί πραγματικές φωτογραφίες υψηλής ανάλυσης από αυτές που έχουν δημιουργηθεί, ωθώντας τη γεννήτρια να έχει παραισθήσεις πειστικές υφές όπως τρίχες, τούβλα και φύλλωμα. Το ESRGAN συνδυάζει τρεις απώλειες: απώλεια περιεχομένου βάσει εικονοστοιχείων, μια αντιληπτική απώλεια που μετράται στους χάρτες χαρακτηριστικών VGG πριν από την ενεργοποίηση και μια αντίθετη απώλεια. Εισήγαγε επίσης έναν «σχετικιστικό» διαχωριστή που κρίνει εάν οι πραγματικές εικόνες φαίνονται πιο ρεαλιστικές από τις ψεύτικες, βελτιώνοντας την εκπαίδευση. Η ESRGAN κέρδισε την πρόκληση αντιληπτικής υπερ-ανάλυσης PIRM 2018.
Τεχνική διορατικότητα
Η βασική ιδέα είναι η ανταλλαγή της ακρίβειας εικονοστοιχείων για αντιληπτικό ρεαλισμό. Απώλειες εικονοστοιχείων όπως ο μέσος όρος MSE σε σχέση με εύλογες υφές, αποδίδοντας ομαλή, θολή έξοδο. Αντίθετα, η αντίθετη απώλεια αναγκάζει την έξοδο στην πολλαπλή των εικόνων με πραγματική εμφάνιση, έτσι η γεννήτρια δεσμεύεται σε μια ευκρινή, εύλογη υφή. Ο σχετικιστικός μέσος διαχωριστής του ESRGAN εκτιμά πόσο πιο ρεαλιστικό είναι ένα πραγματικό έμπλαστρο από ένα ψεύτικο, το οποίο μεταφέρει περισσότερες πληροφορίες διαβάθμισης και παράγει πιο ευκρινείς άκρες από έναν τυπικό διαχωριστή.
Στρατηγικός αντίκτυπος
Ταχύτητα και κλίμακα
Το Visual AI μπορεί να αυτοματοποιήσει εργασίες επιθεώρησης, ανίχνευσης και επισήμανσης σε κλίμακα.
Δημιουργήστε επιλογές
Οι δημιουργικές ομάδες μπορούν να δημιουργήσουν πρωτότυπες ιδέες γρηγορότερα με λιγότερες μη αυτόματες αναθεωρήσεις.
Ομάδα και ροή εργασίας
Οι λειτουργίες μπορούν να χρησιμοποιούν σήματα εικόνας και βίντεο που προηγουμένως ήταν δύσκολο να επεξεργαστούν.
Το μέλλον του ESRGAN και του GAN Super-Resolution
Η υπερ-ανάλυση καθαρού GAN αναμειγνύεται ολοένα και περισσότερο ή αντικαθίσταται από ραχοκοκαλιά μετασχηματιστή και αναβαθμιστές με βάση τη διάχυση που προσφέρουν πιο σταθερή εκπαίδευση και λεπτότερο έλεγχο. Ωστόσο, η γεννήτρια RRDB της ESRGAN και η αντιληπτική συν-αντίπαλη συνταγή παραμένουν μια ισχυρή, ελαφριά γραμμή βάσης ενσωματωμένη σε αμέτρητα mods υφής παιχνιδιού και εργαλεία φωτογραφίας. Αναμένετε υβριδικά μοντέλα που διατηρούν την ευκρίνεια GAN ενώ δανείζονται τη διαφορετικότητα της διάχυσης και το περιβάλλον μεγάλης εμβέλειας των μετασχηματιστών και πιο αυστηρή ανάπτυξη στη συσκευή για αναβάθμιση σε πραγματικό χρόνο.
Υλοποίηση σε πραγματικό κόσμο
Αναβάθμιση υφών χαμηλής ανάλυσης σε mods βιντεοπαιχνιδιών (δημοφιλές στην κοινότητα modding "AI Upscale" για παλαιότερους τίτλους υπολογιστών)
Βελτίωση παλιών οικογενειακών φωτογραφιών ή σαρωμένων εικόνων πριν από την εκτύπωση σε μεγαλύτερα μεγέθη
Βελτίωση φωτογραφιών που εξάγονται από αρχειακό υλικό ή πλάνα παρακολούθησης χαμηλής ανάλυσης
Δημιουργία χαρτών υφής υψηλής ανάλυσης για τρισδιάστατους καλλιτέχνες που εργάζονται από μικρές εικόνες αναφοράς
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Τα δικαιώματα εικόνας και η συναίνεση μπορεί να αποτελέσουν νομικούς κινδύνους εάν η προέλευση είναι ασαφής.
Η απόδοση του μοντέλου μπορεί να διαφέρει ανάλογα με το φωτισμό, τα δημογραφικά στοιχεία και τα περιβάλλοντα.
Τα ψευδώς θετικά μπορεί να περάσουν απαρατήρητα εκτός εάν παρακολουθούνται τα όρια εμπιστοσύνης.
Οδικός Χάρτης Εφαρμογής
Καθορίστε κριτήρια αποδοχής για το κόστος ακρίβειας, ανάκλησης και σφάλματος.
Δοκιμή με δεδομένα που ταιριάζουν με πραγματικές συνθήκες παραγωγής.
Προσθέστε ανθρώπινη κριτική για προβλέψεις χαμηλής εμπιστοσύνης ή υψηλού αντίκτυπου.
Παρακολουθήστε τη μετατόπιση του μοντέλου και επικυρώστε εκ νέου μετά από αλλαγές κάμερας ή δεδομένων.
Συνεχίστε την εξερεύνηση
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the ESRGAN and GAN Super-Resolution quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Επόμενος οδηγός
Υπερ-ανάλυση εικόνας
Συχνές ερωτήσεις
What is ESRGAN and GAN Super-Resolution?
Το ESRGAN χρησιμοποιεί έναν διαγωνισμό γεννήτριας εναντίον διακρίσεων για να εφεύρει ρεαλιστικές λεπτομέρειες κατά την αναβάθμιση των εικόνων, υπερβαίνοντας τη θολή παρεμβολή. Έχει σημασία γιατί έθεσε το πρότυπο για φωτορεαλιστική υπερ-ανάλυση που εξακολουθεί να επηρεάζει τα εργαλεία σήμερα.
Τι αναφέρεται το 'GAN' στο ESRGAN;
Το GAN σημαίνει Generative Adversarial Network, μια εγκατάσταση όπου μια γεννήτρια και ο διαχωριστής ανταγωνίζονται κατά τη διάρκεια της εκπαίδευσης.
Τι δομικό στοιχείο χρησιμοποιεί κυρίως η γεννήτρια ESRGAN;
Η γεννήτρια του ESRGAN στοιβάζει Residual-in-Residual Dense Blocks (RRDB), πυκνά συνδεδεμένες υπολειμματικές μονάδες, ως δομή πυρήνα.
Γιατί οι συντάκτες του ESRGAN αφαίρεσαν την κανονικοποίηση παρτίδας από τη γεννήτρια;
Οι συγγραφείς βρήκαν ότι η ομαλοποίηση παρτίδας παρήγαγε δυσάρεστα τεχνουργήματα στην έξοδο υπερ-ανάλυσης, έτσι την αφαίρεσαν από τα μπλοκ RRDB.
Ποιος είναι ο κύριος συμβιβασμός που κάνει το ESRGAN σε σύγκριση με τις μεθόδους μόνο για απώλεια pixel;
Η αντίθετη απώλεια ωθεί την έξοδο προς υφές με ρεαλιστική εμφάνιση, ακόμα κι αν οι μεμονωμένες τιμές εικονοστοιχείων διαφέρουν από την πραγματική βάση.
Πού μετράται η αντιληπτική απώλεια (VGG) του ESRGAN;
Το ESRGAN υπολογίζει την αντιληπτική απώλεια στους χάρτες χαρακτηριστικών VGG πριν από τη λειτουργία ενεργοποίησης, η οποία οι συγγραφείς βρήκαν ότι έδωσε πιο ευκρινή αποτελέσματα.