هوش مصنوعی باعث می شود چهره تاری نگاه بیش از 60 بار واضح تر

DURHAM, N. C. -- دانشگاه دوک محققان توسعه AI ابزار است که می تواند به نوبه خود تار, غیر قابل تشخیص تصاویر چهره مردم به طرز مرموزی قانع کننده کامپیوتر-ایجاد پرتره در جزئیات ظریف تر از همیشه قبل از.

قبلی روش می تواند در مقیاس یک تصویر از یک تا هشت بار اصلی آن قطعنامه است. اما دوک تیم آمده تا با یک راه برای گرفتن یک تعداد انگشت شماری از پیکسل و ایجاد واقع بینانه به دنبال چهره با 64 بار قطعنامه, 'تصور' ویژگی های از قبیل خطوط ریز مژه و کلش که نمی شد وجود دارد در وهله اول.

"هرگز super-resolution تصاویر ایجاد شده در این قطعنامه قبل از اینکه با این مقدار جزئیات گفت:" دوک دانشمند کامپیوتر سینتیا رودین که رهبری این تیم است.

این سیستم می تواند توان مورد استفاده برای شناسایی افراد, محققان می گویند: آن را نمی خواهد به نوبه خود از تمرکز غیر قابل تشخیص عکس از دوربین های امنیتی به شفاف تصویر از یک شخص واقعی است. بلکه آن است که قادر به تولید چهره های جدید است که وجود ندارد اما نگاه موجه واقعی است.

در حالی که محققان با تمرکز بر چهره به عنوان یک اثبات مفهوم همان روش می تواند در تئوری را کم res عکس از تقریبا هر چیزی و ایجاد تیز بینانه به دنبال تصاویر با برنامه های کاربردی اعم از پزشکی و میکروسکوپ به ستاره شناسی و تصاویر ماهواره ای گفت: همکاری نویسنده Sachit منون '20 که فقط فارغ التحصیل از دانشگاه دوک با دو ماژور در ریاضیات و علوم کامپیوتر.

محققان در حال حاضر خواهد شد روش خود را به نام نبض هفته آینده در 2020 کنفرانس بینایی کامپیوتر و تشخیص الگو (CVPR) برگزار شد عملا از ژوئن 14 ژوئن 19.

روش های سنتی را با وضوح پایین تصویر و حدس بزنید چه پیکسل های اضافی مورد نیاز با تلاش به آنها را به بازی به طور متوسط با مسئول پیکسل ها در تصاویر با وضوح بالا کامپیوتر تا قبل از دیده می شود. به عنوان یک نتیجه از این به طور متوسط بافت مناطق در مو و پوست است که ممکن است خط تا کاملا از یک صفحه به بعد تا پایان به دنبال فازی و نا معلوم.

دوک تیم آمد تا با یک رویکرد متفاوت است. به جای در نظر گرفتن پایین تصویر با وضوح و به آرامی اضافه کردن جزئیات جدید سیستم اسهال هوش مصنوعی-تولید نمونه های با وضوح بالا مواجه جستجو برای آنهایی که نگاه به عنوان آنجا که ممکن است مانند ورودی تصویر زمانی که منقبض شده به همان اندازه.

این تیم با استفاده از یک ابزار در یادگیری ماشین به نام "مولد خصمانه شبکه" یا گن که دو شبکه عصبی آموزش دیده در همان داده ها مجموعه ای از عکس های. یک شبکه می آید تا با هوش مصنوعی-ایجاد چهره انسان است که شبیه به آنهایی که در آن آموزش دیده بود در حالی که دیگر طول می کشد این خروجی و تصمیم می گیرد آن است که اگر به اندازه کافی قانع کننده به اشتباه برای چیزی که واقعی است. اولین شبکه بهتر و بهتر با تجربه تا دوم شبکه نمی تواند بگوید تفاوت.

پالس می توانید واقع بینانه به دنبال تصاویر از پر سر و صدا بی کیفیت ورودی که از روش های دیگر نمی تواند رودین گفت. از یک تصویر مبهم از آن صورت می توانید تف کردن هر تعداد از بطرز عجیبی واقعی امکانات هر یک از آنها به نظر می رسد ماهرانه مانند یک فرد متفاوت است.

حتی با توجه pixelated عکس که در آن چشم و دهان به سختی قابل تشخیص "الگوریتم ما هنوز موفق به انجام کاری با آن چیزی است که روش های سنتی نمی تواند انجام دهد" گفت: co-author Alex Damian '20 یک دوک ریاضی عمده.

این سیستم می تواند تبدیل به یک 16 x 16-صفحه تصویری از یک چهره به 1024 x 1024 پیکسل در چند ثانیه اضافه کردن بیش از یک میلیون پیکسل شبیه به وضوح HD است. جزئیات مانند منافذ باز و چین و چروک و حلقه های مو هستند که غیر قابل مشاهده در این عکس کم res تبدیل واضح و روشن در کامپیوتر-ایجاد نسخه.

محققان خواسته 40 نفر برای رای دادن به 1,440 تصاویر تولید شده از طریق پالس و پنج دیگر پوسته پوسته شدن روش در یک مقیاس از یک تا پنج و پالس را بهترین نمره تقریبا به عنوان بالا به عنوان با کیفیت بالا عکس واقعی مردم است.

نتایج را ببینید و آپلود تصاویر خود را در http://pulse.cs.دوک.edu/.

###

این پژوهش با حمایت پروردگار بنیاد کارولینای شمالی و دوک گروه علوم کامپیوتر.

استناد: "پالس: Self-نظارت و عکس Upsampling از طریق نهفته اکتشافات فضایی از مولد مدل" Sachit Menon, Alexandru دامیان Shijia Hu, Nikhil راوی سینتیا رودین. IEEE/ CVF کنفرانس بین المللی کامپیوتر دید و تشخیص الگو (CVPR) ژوئن 14-19, 2020. arXiv:2003.03808

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.