คู่มือ AI แบบเห็นภาพ
การปรับสีของภาพ
การปรับสีของภาพใช้ AI เพื่อเพิ่มสีที่สมจริงและเป็นไปได้ให้กับภาพถ่ายและฟิล์มขาวดำ
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
It matters because it brings historical archives to life and restores faded or grayscale imagery without manual painting.
เจาะลึก
โดยพื้นฐานแล้วการปรับสีเป็นปัญหาที่ไม่ดี กล่าวคือ พิกเซลสีเทาหนึ่งพิกเซลอาจมีหลายสีได้ เนื่องจากความสว่างเพียงอย่างเดียวไม่ได้เข้ารหัสเฉดสี ระบบสมัยใหม่ถือเป็นการคาดเดา โดยเรียนรู้จากภาพถ่ายสีนับล้านที่ถูกแปลงเป็นระดับสีเทาโดยไม่ตั้งใจ เครือข่ายแบบหมุนวนหรือแบบหม้อแปลงจะเห็นเฉพาะช่องความสว่างและคาดการณ์ช่องสีที่หายไป โดยทั่วไปจะอยู่ในปริภูมิสี CIE Lab โดยที่ L เก็บความสว่างและสีคง a/b เนื่องจากหญ้ามักเป็นสีเขียวและท้องฟ้ามักเป็นสีฟ้า แบบจำลองจึงเรียนรู้ข้อมูลเชิงสถิติที่แข็งแกร่ง งานสำคัญโดย Zhang และคณะ (2016) กำหนดกรอบดังกล่าวเป็นการจำแนกกลุ่มสีเพื่อหลีกเลี่ยงการซีดจางและค่าเฉลี่ยที่ไม่อิ่มตัว วิธีการแพร่และตัวอย่างที่ใหม่กว่าช่วยให้ผู้ใช้แนะนำสีด้วยคำแนะนำหรือรูปภาพอ้างอิงเพื่อการควบคุมที่ดียิ่งขึ้น
การใช้งานจริงในโลกแห่งความเป็นจริง
การฟื้นฟูภาพถ่ายเอกสารสำคัญสมัยสงครามโลกครั้งที่ 19 และศตวรรษที่ 19 ในรูปแบบสีสันสำหรับพิพิธภัณฑ์และสารคดี
นำภาพยนตร์ขาวดำคลาสสิกและวิดีโอฟุตเทจทางทีวีมาระบายสีเพื่อการรีมาสเตอร์ใหม่
แอพภาพถ่ายครอบครัว (เช่น MyHeritage และ Google Photos) ที่จะระบายสีภาพถ่ายบรรพบุรุษเก่าๆ โดยอัตโนมัติ
การปรับสีการสแกนทางการแพทย์หรือวิทยาศาสตร์ในระดับสีเทาเพื่อเน้นโครงสร้างและปรับปรุงการตีความด้วยภาพ
อนาคตของการปรับสีภาพ
การปรับสีกำลังเคลื่อนไปสู่เครื่องมือแบบโต้ตอบและควบคุมได้ โดยผู้ใช้คลิกสีคำใบ้และโมเดลจะเผยแพร่สีดังกล่าวอย่างสม่ำเสมอ โมเดลการแพร่กระจายและภาษาแจ้ง ("ทำให้ชุดสีแดง") เพิ่มการควบคุมความหมาย ในขณะที่เครือข่ายที่รับรู้ชั่วคราวจะสร้างสีสันให้กับภาพยนตร์ทั้งเรื่องโดยไม่กะพริบแบบเฟรมต่อเฟรม คาดหวังการผสานรวมที่เข้มงวดยิ่งขึ้นกับไปป์ไลน์การฟื้นฟูที่ลดขนาด เพิ่มขนาด และเพิ่มสีไปพร้อมๆ กัน พร้อมการป้องกันที่แข็งแกร่งยิ่งขึ้นในการระบุว่าสีเป็นการเดาโดยอนุมานโดย AI แทนที่จะเป็นข้อเท็จจริงทางประวัติศาสตร์
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
- สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
- ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
ระวัง
- สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
- ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
- ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
ขั้นตอนต่อไป
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Image Colorization quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
What is Image Colorization?
การปรับสีของภาพใช้ AI เพื่อเพิ่มสีที่สมจริงและเป็นไปได้ให้กับภาพถ่ายและฟิล์มขาวดำ สิ่งสำคัญคือเพราะมันทำให้เอกสารสำคัญทางประวัติศาสตร์กลับมามีชีวิตอีกครั้ง และฟื้นฟูภาพที่ซีดจางหรือระดับสีเทาโดยไม่ต้องลงสีด้วยมือ
เหตุใดการปรับสีของภาพจึงถือเป็นปัญหา 'ไม่ดี'
ความสว่างเพียงอย่างเดียวไม่ได้กำหนดเฉดสี ดังนั้นพิกเซลสีเทาหนึ่งพิกเซลอาจเป็นสีแดง น้ำเงิน หรือเขียว ซึ่งทำให้คำตอบไม่ชัดเจน
ในแนวทางปริภูมิสี Lab ยอดนิยม เครือข่ายรับอะไรเป็นอินพุต
ภาพระดับสีเทาคือช่อง L; แบบจำลองคาดการณ์ช่องสี a และ b ที่หายไป และรวมใหม่ด้วย L
ทำไมจางและคณะ การทำนายสีของเฟรมเป็นการจำแนกประเภทเหนือ 'ถังขยะ' สีมากกว่าการถดถอยโดยตรง
การถดถอยค่าเดียวมีแนวโน้มที่จะเฉลี่ยหลายสีที่เป็นไปได้ให้เป็นสีน้ำตาลเทาที่เป็นโคลน การแบ่งประเภทเป็นถังขยะทำให้สีสดใส
โมเดลจะเรียนรู้ได้อย่างไรว่าวัตถุสีใดควรเป็นสีใดโดยไม่ได้รับการบอกกล่าว
การฝึกอบรมชุดข้อมูลขนาดใหญ่จะสอนแบบจำลองว่าหญ้ามักเป็นสีเขียว ท้องฟ้ามักเป็นสีฟ้า และสีผิวจะตกอยู่ในช่วงที่กำหนด
อะไรคือความท้าทายหลักในการปรับสีวิดีโอแทนที่จะเป็นภาพถ่ายเดี่ยวๆ
หากแต่ละเฟรมมีการกำหนดสีแยกกัน วัตถุเดียวกันสามารถเปลี่ยนเฉดสีระหว่างเฟรมได้ ทำให้เกิดการกะพริบที่รบกวนสมาธิ โมเดลชั่วคราวกล่าวถึงเรื่องนี้
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้