Улучшение кадров ии что это
Искусственный интеллект улучшает качество графики старых видеоигр и делает это действительно хорошо
Технологии искусственного интеллекта постепенно развиваются, помогая решать задачи и проблемы самых разных сфер — от бизнеса до медицины и развлечений. Недавно стало известно еще об одной задаче, которую ИИ решает очень хорошо. Речь идет об игровых модах — как оказалось, машинное обучение отличный инструмент для улучшения графики классических компьютерных игр.
Технология, о которой идет речь, получила название “AI upscaling”. Все просто, как часы: алгоритму «скармливается» изображение из игры низкого разрешения, и чуть позже ИИ выдает улучшенную версию этого экземпляра. Конечно, в начале работы необходимо обучить нейросеть, иначе никакого улучшения не будет. Но после обучения ИИ демонстрирует весьма интересные результаты работы.
Пример — графика из The Elder Scrolls III: Morrowind. Поклонник этой игры обработал все графические файлы при помощи алгоритма и получилось если не идеально, то близко к тому.
Обычно на улучшение качества текстур из какой-либо игры нужна работа целой команды энтузиастов, которые тратят дни, недели и месяцы личного времени на достижение нужного результата. Это сотни и сотни часов всей команды, причем далеко не всегда проект удается закончить.
При помощи ИИ графику нельзя улучшить за пару минут, но все же работа выполняется гораздо быстрее — уже за недели, а не месяцы или даже годы. Причем работу может выполнить один-единственный человек. Вполне может быть, что вскоре мы увидим большое количество «перелицованных» старых игр, которые будут выглядеть по-новому.
Улучшениям уже подверглись такие известные тайтлы, как Doom, Half-Life 2, Metroid Prime 2, Final Fantasy VII, и Grand Theft Auto: Vice City. Недавно даже Mass Effect 2 улучшили, получив очень неплохой результат.
По словам одного из «оптимизаторов», у него ушло около 200 часов работы на настройку работы алгоритма и получение желаемого результата. Но зато всего один человек смог обновить Doom.
По словам тех, кто уже занимался улучшением графики, после работы ИИ остаются графические артефакты, которые приходится убирать вручную. На это и уходит время. К слову, примерно то же происходит и во всех остальных случаях, когда используется искусственный интеллект — его наличие в проекте вовсе не означает отсутствие человека. «Ручная» работа все еще нужна.
Сервис имеет две функциональных части. Первая переводит изображение (вернее, пытается перевести) из low-res в high-res. Ну а вторая часть занимается сравнением того, что получилось с накопленным после обучения «опытом». Если вторая часть оценивает картинку как «удачную», она принимается в качестве результата.
При этом с течением времени ИИ совершенствует методы своей работы и усложняет алгоритмы. Это не просто «растягивание» изображений, что может делать графический редактор, а реальное многоступенчатое преобразование.
Геймеры, которые играют в оптимизированные игры (и помнят оригинальные версии) говорят, что впечатление при прохождении остается прежним, эмоции все те же. Но добавляется еще и восхищением качеством «новой» картинкой. Раньше геймеры видели более качественную картинку благодаря тому, что графика отображалась на кинескопах старых версий, так что многие графические артефакты были просто незаметны. А вот сейчас, при запуске старой игры на современном мониторе все недостатки видны, как на ладони, что в некоторых случаях снижает удовольствие при прохождении.
Выше уже говорилось, что вскоре мы увидим старые игры в новой упаковке — и это действительно так. Все больше появляется сервисов, позволяющих оптимизировать графику и моддеры всех мастей работают над различными проектами. Остается немного подождать и мы сможем насладиться новыми впечатлениями от игры в известные тайтлы.
Как искусственный интеллект меняет фотографию
Если вас заботит вопрос о том, насколько будет хороша камера вашего следующего смартфона, то стоит обратить внимание на то, что производитель говорит о наличии искусственного интеллекта (ИИ). Если отбросить шумиху и чистый маркетинг, то нет смысла отрицать, что эта технология подняла прогресс фотографии на новый уровень за последние несколько лет и нет никаких сомнений полагать, что темп прогресса замедлятся.
Аппаратное обеспечение тоже не стоит на месте, но самые впечатляющие достижения в области фотографии за последнее время случились на программном уровне, и это во многом благодаря ИИ, который даёт понять объективам куда их навёл пользователь.
Сервис Google Фото продемонстрировал, как искусственный интеллект умеет взаимодействовать с огромными массивами снимков. До его запуска Google использовала машинное обучение для категоризации изображений в Google+, эти навыки перекочевали в Google Фото. ИИ привел в порядок миллиарды неорганизованных пользовательских библиотек в порядок.
Искусственный интеллект Google Фото основывался на предыдущей разработки компании DNNresearch, которую поисковый гигант приобрел в 2013 году. Компания создала нейронную сеть с контролируемым обучением, она могла находить визуальные подсказки на уровне пикселей, чтобы идентифицировать категорию. Со временем алгоритм научился правильно распознавать изображения с помощью шаблонов, например, по снимку панды он обучился правильно идентифицировать другие фотографии панд. Он определяет, где черный мех, а где белый, а также пропорции животного. Используя эту информацию ИИ отличает панд от коров голштинской породы. Все эти «знания» классифицируются и заносятся в базу данных, они используются для поиска снимков по абстрактным терминам, таким, как «животное» или «завтрак».
Подобный алгоритм требует много времени и вычислительной мощности, поэтому вся работа выполняется на серверах компании после того, как снимок загружается в облако. Как только фотографии попадают в центр обработки данных (ЦОД) Google начинает использование алгоритма для анализа и маркировки. Примерно через год после запуска сервиса Google Фото компания Apple анонсировала функцию поиска фотографий, которая аналогичным образом задействовала нейронные сети, но в рамках обязательств компании по обеспечению конфиденциальности категоризация выполняется процессором устройства без отправки данных на сервера. Обычно этот процесс занимает несколько дней и происходит в фоновом режиме.
Эти компоненты используются в «вычислительной» фотографии, под этот термин попадают такие явления современного мобильного фото, как эффект глубины резкости портретных режимов и алгоритмы, позволяющие создавать качественные изображения в смартфонах Pixel. Apple использует эту технологию для управления портретным режимом в смартфонах с двумя камерами. Процессор обработки изображений iPhone идентифицирует в кадре человека с помощью одной камеры, а вторая камера создает карту глубины резкости, чтобы отделить объект и размыть фон.
Google остается очевидным лидером в области «вычислительной фотографии» и превосходные результаты камер всех трех поколений Pixel тому доказательство. Режим HDR+ использует сложный алгоритм, объединяющий несколько снимков с разным уровнем экспозиции в одну фотографию. Наличие машинного обучения означает, что система продолжает улучшаться со временем. Google обучил свой искусственный интеллект огромному набору данных с помощью сервиса Google Фото и эти знания помогают камере Pixel в подборе правильной экспозиции.
Говоря о преимуществе смартфонов Google стоит упомянуть режим Night Sight, который с помощью длинных выдержек и алгоритма машинного обучения показывает впечатляющие результаты на съемках в условиях плохого освещения. Эта функция наилучшим образом реализована в Pixel 3, потому что алгоритмы разрабатывались с учетом аппаратного обеспечения этого устройства. Несмотря на это, Google сделала режим Night Sight доступным для всего модельного ряда смартфонов Pixel, даже для самых первых, в которых отсутствует оптическая стабилизация. Это решение доказывает, что программное обеспечение выходит на первый план, когда дело доходит до мобильной фотографии.
Тем не менее, аппаратная составляющая все еще имеет значение, особенно в случаях, когда она умеет взаимодействовать с искусственным интеллектом. Отдельные процессоры обработки изображения были очень важны для качества мобильной фотографии, но похоже, что чипы с ИИ будут играть более важную роль в развитии цифровой фотографии. Huawei была первой компанией, представившей систему на кристалле (SoC) с искусственным интеллектом — Kirin 970, хотя Apple Bionic A11 в конечном итоге первым добрался до пользователей. Крупнейший поставщик процессоров Qualcomm не уделяет особого внимания машинному обучению. Google разработала свой собственный чип под названием Pixel Visual Core, который помогает решать задачи связанные с ИИ. Последняя версия Apple A12 Bionic оснащена восьмиядерным нейронным движком, который может выполнять задачи в среде машинного обучения Apple до 9 раз быстрее, чем A11. Apple сообщает, что это дает камере лучшее понимание фокальной плоскости, а это помогает создавать более реалистичную глубину резкости.
Эта технология важнее для эффективного и производительного машинного обучения прямо на устройстве. Google продемонстрировала впечатляющую работу, которая снижает нагрузку на обработку с ghvhom. ЦОД, в то же время нейронные движки (Neural Engine) становятся быстрее с каждым годом. На раннем этапе развития «вычислительной» фотографии у камер смартфонов, которые разрабатывались для работы в тандеме с машинным обучением, есть реальные преимущества. Из всех возможностей искусственного интеллекта, фотография — наиболее практичная область применения. Камера — неотъемлемая часть любого смартфона, а ИИ — отличный способ её улучшить.
Бесплатные ФПС: как ИИ помогает сделать игровую графику лучше
В последние годы искусственный интеллект приобретает все большую популярность. Стоит только попросить, и Siri сообщит вам результат футбольного матча, который вы пропустили вчера вечером. Рекомендации в Spotify подскажут, чем пополнить музыкальную библиотеку, а Amazon попытается предсказать, какой продукт вы купите в следующий раз, когда этого еще не знаете даже вы.
Не обошел стороной он и игровую индустрию. Пока в геймерской среде сравнивают графику вышедшей на ПК Death Stranding с технологией DLSS и без нее, на днях стало известно, что в процессорах NVIDIA Ampere будет задействована уже DLSS 3.0. При этом она будет работать с любой игрой с TAA (Temporal Anti-Aliasing) и драйвером Game Ready. Это означает, что разработчикам понадобится подстроить технологию к своим играм — впрочем, этот процесс будет проходить куда легче, чем сейчас.
В этой статье мы рассмотрим, как NVIDIA использует машинное обучение для улучшения нашего игрового опыта.
Что такое DLSS?
Качество графики в современных играх только возрастает, а вместе с ним растет вычислительная сложность производимых операций. Этому мы обязаны трассировке лучей, имитирующей настоящее освещение в реальном времени, тем самым оставляя предварительно запеченные отражения пережитком прошлого. Вычислительная сложность рейтрейсинга связана с тем, что разрешение современных игр превышает старые добрые 1080p. Отсюда необходимость ускорения расчетов во время рендеринга.
Deep Learning Super Sampling (DLSS) — технология NVIDIA, использующая глубокое машинное обучение для повышения частоты кадров в играх, требующих сложных графических вычислений. С DLSS геймеры могут использовать более высокие настройки и разрешение, не беспокоясь при этом за стабильность fps.
В частности, DLSS выполняет задачу суперразрешения. С его помощью изображение с разрешением, скажем, 1080p может быть увеличено до 4K с минимальными потерями в качестве. Это избавляет от необходимости воспроизводить игру в 4K (и тем самым, вероятно, расплавить ваш ПК). Разрешение по-прежнему будет 1080p, что позволяет сохранить более высокую частоту кадров, однако благодаря масштабированию при помощи DLSS разницы с 4K вы практически не заметите.
Архитектура DLSS 2.0
По сути, DLSS — это нейронная сеть, обученная на суперкомпьютерах NVIDIA. Выход этой нейросети сравнивается с эталонным изображением с разрешением 16K, а ошибка между ними возвращается сети по петле обратной связи. Чтобы не возникло проблем со скоростью, DLSS использует тензорные ядра, являющиеся основой процессоров RTX 2000 (и в будущем RTX 3000). Это позволяет значительно ускорить тензорные операции и повысить эффективность обучения ИИ и задач, связанных с высокопроизводительными вычислениями.
Эволюция DLSS: от 1.0 к 2.0
DLSS 1.0 обучался для каждой игры отдельно, а оттого учился чрезвычайно долго. Еще он не поддерживал 4-х кратный апсэмплинг (upsampling), например, из 1080p до 4K, и имел ряд других недостатков в качестве изображения, которые не стоили улучшения частоты кадров.
DLSS 2.0 — более общий алгоритм, лишенный ограничений на обучение и апсэмплинг, а также имеющий меньшую задержку вывода за счет использования тензорных ядер: она составляет порядка 1,5 мс при 4K на RTX 2080ti — и в некоторых случаях обеспечивает результат даже лучше, чем исходное изображение.
Изображения с DLSS имеют конечное разрешение 1080p
В DLSS 1.0 максимально можно увеличить разрешение 720p до 1080p, тогда как DLSS 2.0 может масштабировать до 1080p даже разрешение 540p. Как видно на примере, изображение при 540p выглядит совсем размытым. При этом результат с DLSS 2.0 оказался лучше, чем с DLSS 1.0, и даже немного лучше исходной картинки. То есть, DLSS 2.0 справляется с заполнением пикселей эффективнее, чем DLSS 1.0, даже несмотря на то, что последнему нужно перемасштабировать не такую большую разницу в разрешении.
Умение DLSS 2.0 масштабировать изображение с разрешением 540p в сочетании с малой задержкой, обусловенной самим методом, дает существенное увеличение производительности по сравнению с предшественником.
Время рендеринга с DLSS 2.0 и без него (в мс)
Подробнее о принципе работы DLSS
При рендеринге геометрии сцены в играх (например, в треугольнике) количество используемых пикселей (или sampling rate — субпиксельная маска) определяет, как будет выглядеть изображение.
При использовании сетки сэмплирования 4×4 для рендеринга треугольника мы видим, что результат оставляет желать лучшего.
С увеличением сетки сэмплирования в 4 раза — до 8×8 — изображение оказывается больше похожим на предполагаемый треугольник. В этом и заключается суть DLSS: преобразовать изображение с низким разрешением в более высокое.
Суть DLSS
В результате при той же стоимости рендеринга, что и у низкокачественного изображения, вы получите изображение с более высоким разрешением.
Цель DLSS
Это фактически решает уже не новую проблему супер-разрешения.
Давайте кратко рассмотрим, как развивались методы повышения разрешения с помощью ИИ.
Single Image Super-Resolution
Эта техника позволяет получать изображения с высоким разрешением из более низкого при помощи методов интерполяции, таких как билинейный, бикубический и фильтр Ланцоша. Можно реализовать ее и с помощью глубоких нейронных сетей, но тогда возникает проблема искажения новых пикселей, полученных на основе данных обучения. Это приводит к тому, что изображение будет казаться правдоподобным, но не слишком похожим на исходное. Метод выдает чрезмерно гладкую, не детализированную картинку и нестабилен во времени, что приводит к несогласованности и мерцанию кадров.
Single Image Super-Resolution
Давайте сравним несколько результатов таких техник супер-разрешения на основе одного изображения с тем, что предлагает DLSS 2.0.
Целевое разрешение — 1080p
Очевидно, что результат DLSS 2.0 лучше, чем метод бикубической интерполяции и ESRGAN — архитектуры нейронной сети, использующей метод генеративно-состязательной сети для достижения супер-разрешения. В результате папоротники в случае DLSS 2.0 выглядят даже более детальными, чем на оригинальном изображении.
Multi-frame Super-Resolution
Этот метод использует несколько изображений с низким разрешением для получения изображения с высоким. Он помогает восстановить детали лучше, чем предыдущий подход. В основном он разрабатывался для видео- и серийной фотосъемки, а потому не задействует специфическую для рендеринга информацию. Одним из примеров его использования можно назвать выравнивание кадров при помощи оптического потока вместо геометрических векторов движения. В данном случае вычисления оказываются дешевле, а результаты точнее. Этот подход видится более многообещающим, чем предыдущий, и подводит нас к следующей технике.
Spatial-Temporal Super Sampling
Этот метод использует несколько кадров для супер-сэмплинга изображений.
У нас есть текущий кадр. Предположим, что предыдущий выглядит на него похожим. Используя более низкий sampling rate, мы можем увеличить общее число отсчетов, необходимое для реконструкции изображения.
Гистограмма метода Spatial-Temporal Super Sampling
Проблема в том, что в играх все постоянно находится в движении. Поэтому для исправления истории кадров данный метод суперсэмплинга вынужден производить эвристический поиск, например, по принципу Neighbour Clamping. Эти эвристики вносят свой вклад в размытость, временную нестабильность, муар, лаги и ghosting.
Нежелательные эффекты от Neighbour Clamping
Временное мерцание и муар на изображениях с Neighbour Clamping
DLSS 2.0: Deep Learning-based multi-frame reconstruction
Нейронная сеть DLSS учится на десятках тысяч обучающих изображений, предназначенных для выполнения реконструкции лучшей, чем могут предложить эвристики, тем самым устраняя эффекты от них. Это приводит к гораздо более качественному результату с использованием данных нескольких кадров.
Реализуя DLSS в движке, в первую очередь необходимо провести рендеринг сцены в низком разрешении: всей ее геометрии, динамического освещения, эффектов в экранном пространстве и трассировки лучей. После этого можно применить DLSS на этапе, когда обычно происходит анти-алиасинг — ведь технология выполняет ровно ту же функцию, только еще с супер-сэмплингом. Затем происходит постобработка изображения, включающая размытие в движении, блум, хроматическую абберацию, тональную компрессию и другие эффекты.
DLSS — не просто алгоритм обработки изображения. Обычно он работает в совокупности с рендерингом, поэтому и его процесс тоже необходимо пересмотреть. Впрочем, в случае DLSS 2.0 эти изменения не так сложно реализовать, как случалось до этого.
Тесты производительности
Последний тайтл Remedy Control поддерживает как трассировку лучей, так и и DLSS. Как видно на графике выше, RTX 2060 получил прирост производительности с 8 кадров в секунду до примерно 36,8 кадров в секунду за счет DLSS, что значительно повысило играбельность проекта. Этот результат оказался даже лучше, чем в случае с RTX 2080ti без DLSS, что еще раз доказывает, насколько эффективна эта технология.
Digital Foundry сравнил качество изображения с использованием DLSS 1.9 и 2.0 в этом видео.
Слева — Control с DLSS 1.9, справа — с DLSS 2.0. Изображения получены на RTX 2060 с разрешением 1080p и затем отмасштабированы до 4K
На сравнении выше мы видим, как DLSS 2.0 отрисовывает пряди волос, искаженные в случае DLSS 1.9.
9 нейросетей для обработки ваших фотографий: что может искусственный интеллект?
Содержание
Содержание
Это статья для тех, кто любит новые технологии и фотографию. Мы расскажем, где и как обрабатывать свои фото быстрее с помощью искусственного интеллекта. Все способы бесплатны и доступны каждому.
Лучшие нейросети для обработки изображений онлайн
Самые крутые нейросети живут в интернете, потому что машинное обучение развивается за счет открытого взаимодействия с людьми и анализа их фотографий. Чем больше лиц и объектов «узнает» машина, тем больше у нее будет опыта и ассоциаций. Вот несколько необычных и полезных сервисов, чтобы улучшать и изменять фотографии онлайн.
Nvidia InPainting
Помогает отретушировать снимок с помощью «умной» кисти. Если кадр испортил случайный прохожий или на заднем плане заметен мусорный бак, Nvidia InPainting удалит их с фото.
1. Кликаем зеленую кнопку и загружаем картинку в редактор. Поддерживаются только JPG и PNG изображения. Снимок будет обрезан автоматически — целиком на экране его не вывести, но вы можете перемещать его правее-левее и масштабировать.
2. Выбираем инструмент Hide Mask («Скрыть маску»), настраиваем толщину кисти и закрашиваем пловца в воде. Немного «задеваем» рябь рядом с объектом, чтобы скрыть ее тоже. Жмем Apply Model («Применить модель»).
3. Обработка снимка занимает секунды 3, сравниваем исходник и финальный результат.
Эта же кисточка пригодится, если нужно незаметно скорректировать дефекты кожи, разгладить морщины и исправить пустоты на заломах ретро-снимков. Эффекты сглаживания получаются за счет заполнения недостающих точек. Алгоритм воспринимает пятно, морщинку или полосу, как битый пиксель, и перекрывает наиболее подходящей текстурой и цветом.
Remove.bg
Бесплатный сервис от австрийской компании Kaleido. Нейросеть удаляет фон с фотографий автоматически, что намного быстрее, чем рисовать границы хромакея вручную. Разработчики создали версии для Windows / MacOS / Linux, плагины для Adobe Fotoshop, Figma и других программ. Есть даже приложение для Android, так что похвалить Remove.bg можно не только за скорость работы, но и за кроссплатформенность.
Компания гордится тем, что их разработка делает аккуратный вырез даже вокруг сложных контуров — воланов платья, пушистых волос. Давайте проверим.
1. Загружаем изображение — его можно выбрать из проводника или вставить URL картинки. Заявленные 5 секунд не успели пройти, а результат уже отобразился.
Объект сохранен идеально — волосы, складки сумки, кисть руки — ни одного недочета.
2. Сервис решил «добить» наш восторг до предела и предложил отредактировать работу — выбрать новый фон из библиотеки или загрузить свой с ПК.
GFP-GAN
Сервис от разработчика Ahsen Khaliq детализирует размытые лица на фото. Актуально для случаев, когда съемка проходила при плохом освещении или «на ходу».
1. Перетащите изображение в рабочую область GFP-GAN или импортируйте с компьютера. Предварительно снимок можно обработать — добавить стикеры и текст, применить фильтры.
2. Нажмите Submit («Разместить») и подождите, пока идет обработка. При каждой новой попытке счетчик отображает, что процесс занял 5-5,5 секунд, но по факту итоговый результат появляется секунд через 20.
Получилось неплохо. Новое изображение выглядит немного синтетически, но намного лучше, чем исходник. Только жаль потерянного «низа» — редактор обрезал фото процентов на 50.
3. Получившуюся картинку скачиваем через «Сохранить как».
Реал-ESRGAN
Та же платформа, но другой алгоритм, который работает не с лицами, а с предметами и животными. Принцип похож: исправить нарушения фокусировки или убрать шум с помощью нейросети, сделать объект детализированнее и четче. Проделаем это с картинкой, которую предварительно замылили.
Загрузили файл в Реал-ESRGAN, нажали Submit. Обработка завершилась через 12 секунд, хотя счетчик пишет 8. Фотография действительно стала намного резче, но до оригинала не дотягивает. Сравните:
Looka
Поиграем с логотипами? Используем канадский сервис, который поможет создать новое лого для компании или подкинет идей, чтобы создать свой уникальный стиль. Дизайн будем разрабатывать для DNS.
1. Вводим название компании и кликаем «Начать». Теперь нам нужно прописать отрасль, выбрать референсы, цвета, добавить слоган (не обязательно). Looka не говорит на русском, поэтому все прописываем на английском языке.
2. Последний этап — выбор иконки. Иконок сотни, использовать можно несколько. Отметили нужные, нажали «Продолжить». В результате получили 12 вариантов логотипов.
Логотип разрабатывается бесплатно. За дополнительную плату можно разработать полноценный брендбук — визитки, футболки, приглашения, шаблоны для сторис и т. д.
AutoDraw
Забавный проект от Google, который «научит» рисовать любого. С помощью AutoDraw можно создавать иконки, небольшие иллюстрации, как аниматор-профессионал.
Слева находится меню с инструментами для рисования — карандаш, заливка, фигуры, палитра цветов. Можно рисовать ими, но лучше воспользоваться карандашом со звездочкой. Именно он поможет нам превратить любые каракули во что-то понятное.
Лисичке не очень повезло сегодня — вместо нее искусственный интеллект предлагает каких-то котов и драконов. Возможно, стоило делать меньше деталей. Если лиса и впрямь на себя не похожа, напишите в комментариях, пожалуйста.
Лучшие фоторедакторы на основе искусственного интеллекта
Не всегда хочется лезть в интернет и делиться с машиной данными, на которых она учится. Вот ТОП компьютерных программ, в которых Искусственный интеллект берет на себя сразу несколько задач и делает это локально, без выхода в сеть.
ФотоМАСТЕР
Умный фоторедактор от российской компании AMS Soft работает с портретными, пейзажными, репортажными фото. С помощью нейросети с лиц исчезают шрамы, морщинки, акне, пигментные пятна. Меняется пластика — уходит массивный подбородок, глаза выглядят больше и выразительнее. Даже зубы можно визуально отбелить. С фигурой ФотоМАСТЕР тоже работает — делает талию уже, грудь больше, ноги длиннее и стройней.
С изображений можно незаметно удалять объекты, используя «Штамп» или «Заплатку». А еще в программе легко заменять фон — нужно лишь схематично, в пару черточек, обозначить объект, который хочется сохранить.
Программа платная, но с бесплатным промо-периодом. Простая и подходит для новичков.
Luminar AI
В редактор от Skylim встроен интеллектуальный фильтр Accent, который помогает совершенствовать фотографии автоматически. Он анализирует тона, глубину резкости, детали кадра, и предлагает пользователю изменения. Например, когда вы работаете над снимком неба, умные алгоритмы считывают, в каких областях не хватает цвета или яркости, и сами «достраивают» изображение. Артефакты — блочные, ореолы — удаляются автоматически.
Если это снимок листвы, происходит то же. Нейросеть усиливает нужные фрагменты, делая зелень сочнее и ярче. Естественность оттенков при этом сохраняется. Для селфи и портретных снимков Luminar подбирает корректирующие шаблоны, исходя из того, сколько лиц на снимке, есть ли шумность, дефекты кожи и т.д.
Стоимость лицензии 6520 рублей, но есть месячный пробный период, чтобы попробовать и успеть разобраться в функционале программы.
Topaz Gigapixel AI
Разработка техасских программистов из Topaz Labs. Основная задача у этого ПО — апскейлинг.
Апскейл — это когда специальный алгоритм искусственно «поднимает» низкое разрешение фотографии, улучшая ее качество.
Благодаря Topaz Gigapixel AI четкость и детализацию картинки можно увеличить до 600%!
Машинное обучение программы проходило на базе миллионов изображений дикой природы, пейзажей, портретов, архитектуры. Нейросеть поняла, как выглядят предметы, люди и животные в реальности, и научилась заполнять недостающие пиксели особым образом — не встраивая блоки, а естественно, «додумывая». В результате картинка не просто становится более четкой — ее можно масштабировать, и она все равно останется детализированной. Теперь даже любую маленькую фотографию можно превратить в большую, загрузить на сайт или использовать в рекламе, печати, заставке для рабочего стола.
Чтобы получить пробную версию, придется поделиться с компанией адресом своей электронной почты. Платный пакет регистрации не требует и стоит 100 долларов.
Выводы
Мы увидели, как умные алгоритмы помогают людям «достраивать» фотографии, увеличивать разрешение и детализировать снимки, удалять фон и объекты из кадра. Причем нейросети делают это с минимумом ошибок и намного быстрее, чем человек. Если вы когда-нибудь удаляли фон, аккуратно закрашивая от руки каждую деталь. то понимаете, о чем мы.
О каких еще интересных сервисах мы забыли рассказать? Поделитесь в комментариях!