ಸಣ್ಣ ಉತ್ತರ: AI ಅಪ್ಸ್ಕೇಲಿಂಗ್, ಜೋಡಿಯಾಗಿರುವ ಕಡಿಮೆ ಮತ್ತು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಚಿತ್ರಗಳ ಮೇಲೆ ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ನಂತರ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಸಮಯದಲ್ಲಿ ನಂಬಲರ್ಹವಾದ ಹೆಚ್ಚುವರಿ ಪಿಕ್ಸೆಲ್ಗಳನ್ನು ಊಹಿಸಲು ಅದನ್ನು ಬಳಸುತ್ತದೆ. ಮಾದರಿಯು ತರಬೇತಿಯಲ್ಲಿ ಇದೇ ರೀತಿಯ ಟೆಕಶ್ಚರ್ಗಳು ಅಥವಾ ಮುಖಗಳನ್ನು ನೋಡಿದ್ದರೆ, ಅದು ಮನವರಿಕೆಯಾಗುವ ವಿವರಗಳನ್ನು ಸೇರಿಸಬಹುದು; ಇಲ್ಲದಿದ್ದರೆ, ಅದು ಹಾಲೋಸ್, ಮೇಣದ ಚರ್ಮ ಅಥವಾ ವೀಡಿಯೊದಲ್ಲಿ ಮಿನುಗುವಂತಹ ಕಲಾಕೃತಿಗಳನ್ನು "ಭ್ರಮೆಗೊಳಿಸಬಹುದು".
ಪ್ರಮುಖ ಅಂಶಗಳು:
ಭವಿಷ್ಯವಾಣಿ : ಮಾದರಿಯು ವಾಸ್ತವದ ಖಾತರಿಯ ಪುನರ್ನಿರ್ಮಾಣವಲ್ಲ, ಬದಲಾಗಿ ತೋರಿಕೆಯ ವಿವರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
ಮಾದರಿ ಆಯ್ಕೆ : CNN ಗಳು ಸ್ಥಿರವಾಗಿರುತ್ತವೆ; GAN ಗಳು ಹೆಚ್ಚು ತೀಕ್ಷ್ಣವಾಗಿ ಕಾಣಿಸಬಹುದು ಆದರೆ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ಅಪಾಯವನ್ನು ಎದುರಿಸುತ್ತವೆ.
ಕಲಾಕೃತಿ ಪರಿಶೀಲನೆಗಳು : ಹಾಲೋಗಳು, ಪುನರಾವರ್ತಿತ ಟೆಕಶ್ಚರ್ಗಳು, "ಬಹುತೇಕ ಅಕ್ಷರಗಳು" ಮತ್ತು ಪ್ಲಾಸ್ಟಿಕ್ ಮುಖಗಳಿಗಾಗಿ ಗಮನಿಸಿ.
ವೀಡಿಯೊ ಸ್ಥಿರತೆ : ತಾತ್ಕಾಲಿಕ ವಿಧಾನಗಳನ್ನು ಬಳಸಿ ಇಲ್ಲದಿದ್ದರೆ ನೀವು ಫ್ರೇಮ್-ಟು-ಫ್ರೇಮ್ ಮಿನುಗುವಿಕೆ ಮತ್ತು ಡ್ರಿಫ್ಟ್ ಅನ್ನು ನೋಡುತ್ತೀರಿ.
ಹೆಚ್ಚಿನ ಅಪಾಯದ ಬಳಕೆ : ನಿಖರತೆ ಮುಖ್ಯವಾಗಿದ್ದರೆ, ಸಂಸ್ಕರಣೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸಿ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ವಿವರಣಾತ್ಮಕವಾಗಿ ಪರಿಗಣಿಸಿ.
ನೀವು ಬಹುಶಃ ಇದನ್ನು ನೋಡಿರಬಹುದು: ಒಂದು ಚಿಕ್ಕ, ಕುರುಕಲು ಚಿತ್ರವು ಸಾಕಷ್ಟು ಗರಿಗರಿಯಾಗಿ ಬದಲಾಗುತ್ತದೆ, ಅದು ಮುಜುಗರವಿಲ್ಲದೆ ಮುದ್ರಿಸಲು, ಸ್ಟ್ರೀಮ್ ಮಾಡಲು ಅಥವಾ ಪ್ರಸ್ತುತಿಗೆ ಬಿಡಲು ಸಾಕು. ಇದು ಮೋಸದಂತೆ ಭಾಸವಾಗುತ್ತದೆ. ಮತ್ತು - ಅತ್ಯುತ್ತಮ ರೀತಿಯಲ್ಲಿ - ಅದು ಒಂದು ರೀತಿಯಲ್ಲಿ 😅
ಹಾಗಾಗಿ, AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದು "ಕಂಪ್ಯೂಟರ್ ವಿವರಗಳನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ" (ಕೈಯಿಂದ ಅಲೆಯಂತೆ) ಗಿಂತ ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾದದ್ದಕ್ಕೆ ಬರುತ್ತದೆ ಮತ್ತು "ಒಂದು ಮಾದರಿಯು ಹಲವಾರು ಉದಾಹರಣೆಗಳಿಂದ ಕಲಿತ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ತೋರಿಕೆಯ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ರಚನೆಯನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ" ( ಡೀಪ್ ಲರ್ನಿಂಗ್ ಫಾರ್ ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್: ಎ ಸರ್ವೆ ) ಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ. ಆ ಭವಿಷ್ಯವಾಣಿಯ ಹಂತವು ಇಡೀ ಆಟವಾಗಿದೆ - ಮತ್ತು ಅದಕ್ಕಾಗಿಯೇ AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಬೆರಗುಗೊಳಿಸುತ್ತದೆ... ಅಥವಾ ಸ್ವಲ್ಪ ಪ್ಲಾಸ್ಟಿಕ್... ಅಥವಾ ನಿಮ್ಮ ಬೆಕ್ಕು ಬೋನಸ್ ವಿಸ್ಕರ್ಗಳನ್ನು ಬೆಳೆಸಿದಂತೆ ಕಾಣಿಸಬಹುದು.
ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಲೇಖನಗಳು:
🔗 AI ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
AI ನಲ್ಲಿ ಮಾದರಿಗಳು, ಡೇಟಾ ಮತ್ತು ಅನುಮಾನಗಳ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಕಲಿಯಿರಿ.
🔗 AI ಹೇಗೆ ಕಲಿಯುತ್ತದೆ
ತರಬೇತಿ ಡೇಟಾ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೇಗೆ ಸುಧಾರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಿ.
🔗 AI ವೈಪರೀತ್ಯಗಳನ್ನು ಹೇಗೆ ಪತ್ತೆ ಮಾಡುತ್ತದೆ
ಮಾದರಿಯ ಮೂಲಗಳನ್ನು ಮತ್ತು AI ಅಸಾಮಾನ್ಯ ನಡವಳಿಕೆಯನ್ನು ತ್ವರಿತವಾಗಿ ಹೇಗೆ ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ.
🔗 AI ಪ್ರವೃತ್ತಿಗಳನ್ನು ಹೇಗೆ ಊಹಿಸುತ್ತದೆ
ಸಂಕೇತಗಳನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ಭವಿಷ್ಯದ ಬೇಡಿಕೆಯನ್ನು ನಿರೀಕ್ಷಿಸುವ ಮುನ್ಸೂಚನಾ ವಿಧಾನಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಮೂಲ ಕಲ್ಪನೆ, ದೈನಂದಿನ ಪದಗಳಲ್ಲಿ 🧩
ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಎಂದರೆ ರೆಸಲ್ಯೂಶನ್ ಹೆಚ್ಚಿಸುವುದು: ಹೆಚ್ಚು ಪಿಕ್ಸೆಲ್ಗಳು, ದೊಡ್ಡ ಚಿತ್ರ. ಸಾಂಪ್ರದಾಯಿಕ ಅಪ್ಸ್ಕೇಲಿಂಗ್ (ಬೈಕ್ಯೂಬಿಕ್ನಂತೆ) ಮೂಲತಃ ಪಿಕ್ಸೆಲ್ಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ ಮತ್ತು ಪರಿವರ್ತನೆಗಳನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ ( ಬೈಕ್ಯೂಬಿಕ್ ಇಂಟರ್ಪೋಲೇಷನ್ ಹೊಸ ಆವಿಷ್ಕರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ - ಇದು ಕೇವಲ ಇಂಟರ್ಪೋಲೇಟ್ ಮಾಡುತ್ತದೆ.
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಹೆಚ್ಚು ದಿಟ್ಟತನವನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತದೆ (ಸಂಶೋಧನಾ ಜಗತ್ತಿನಲ್ಲಿ "ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್" ಎಂದೂ ಕರೆಯುತ್ತಾರೆ) ( ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ಗಾಗಿ ಆಳವಾದ ಕಲಿಕೆ: ಒಂದು ಸಮೀಕ್ಷೆ ):
-
ಇದು ಕಡಿಮೆ-ರೆಸಲ್ಯೂಶನ್ ಇನ್ಪುಟ್ ಅನ್ನು ನೋಡುತ್ತದೆ
-
ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ (ಅಂಚುಗಳು, ಟೆಕಶ್ಚರ್ಗಳು, ಮುಖದ ಲಕ್ಷಣಗಳು, ಪಠ್ಯದ ಗೆರೆಗಳು, ಬಟ್ಟೆಯ ನೇಯ್ಗೆ...)
-
ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಆವೃತ್ತಿ ಹೇಗಿರಬೇಕು ಎಂದು ಊಹಿಸುತ್ತದೆ
-
ಆ ಮಾದರಿಗಳಿಗೆ ಸರಿಹೊಂದುವ ಹೆಚ್ಚುವರಿ ಪಿಕ್ಸೆಲ್ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ
"ವಾಸ್ತವವನ್ನು ಪರಿಪೂರ್ಣವಾಗಿ ಪುನಃಸ್ಥಾಪಿಸುವುದು" ಅಲ್ಲ, "ಹೆಚ್ಚು ನಂಬಲರ್ಹವಾದ ಊಹೆಯನ್ನು ಮಾಡಿ" ( ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಯೂಸಿಂಗ್ ಡೀಪ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (SRCNN) ). ಅದು ಸ್ವಲ್ಪ ಅನುಮಾನಾಸ್ಪದವಾಗಿ ಕಂಡುಬಂದರೆ, ನೀವು ತಪ್ಪಾಗಿಲ್ಲ - ಆದರೆ ಅದು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡಲು ಇದು ಕೂಡ ಕಾರಣವಾಗಿದೆ 😄
ಮತ್ತು ಹೌದು, ಇದರರ್ಥ AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಮೂಲತಃ ನಿಯಂತ್ರಿತ ಭ್ರಮೆಯಾಗಿದೆ... ಆದರೆ ಉತ್ಪಾದಕ, ಪಿಕ್ಸೆಲ್-ಗೌರವಿಸುವ ರೀತಿಯಲ್ಲಿ.
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ನ ಉತ್ತಮ ಆವೃತ್ತಿಯನ್ನು ಯಾವುದು ಮಾಡುತ್ತದೆ? ✅🛠️
ನೀವು AI ಅಪ್ಸ್ಕೇಲರ್ (ಅಥವಾ ಸೆಟ್ಟಿಂಗ್ ಪೂರ್ವನಿಗದಿ) ಅನ್ನು ನಿರ್ಣಯಿಸುತ್ತಿದ್ದರೆ, ಹೆಚ್ಚು ಮುಖ್ಯವಾದದ್ದು ಇಲ್ಲಿದೆ:
-
ಅತಿಯಾಗಿ ಬೇಯಿಸದೆ ವಿವರವಾದ ಚೇತರಿಕೆ
ಉತ್ತಮ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಗರಿಗರಿತನ ಮತ್ತು ರಚನೆಯನ್ನು ಸೇರಿಸುತ್ತದೆ, ಕುರುಕಲು ಶಬ್ದ ಅಥವಾ ನಕಲಿ ರಂಧ್ರಗಳನ್ನು ಸೇರಿಸುವುದಿಲ್ಲ. -
ಅಂಚಿನ ಶಿಸ್ತು
ಸ್ವಚ್ಛವಾದ ರೇಖೆಗಳು ಸ್ವಚ್ಛವಾಗಿರುತ್ತವೆ. ಕೆಟ್ಟ ಮಾದರಿಗಳು ಅಂಚುಗಳನ್ನು ಅಲುಗಾಡಿಸುತ್ತವೆ ಅಥವಾ ಹಾಲೋಗಳನ್ನು ಚಿಗುರಿಸುತ್ತವೆ. -
ವಿನ್ಯಾಸದ ವಾಸ್ತವಿಕತೆ
ಕೂದಲು ಬಣ್ಣದ ಕುಂಚದ ಹೊಡೆತವಾಗಬಾರದು. ಇಟ್ಟಿಗೆ ಪುನರಾವರ್ತಿತ ಮಾದರಿಯ ಸ್ಟಾಂಪ್ ಆಗಬಾರದು. -
ಶಬ್ದ ಮತ್ತು ಸಂಕೋಚನ ನಿರ್ವಹಣೆ
ದಿನನಿತ್ಯದ ಬಹಳಷ್ಟು ಚಿತ್ರಗಳನ್ನು JPEG'ನಲ್ಲಿ ಸಾಯಿಸಲಾಗುತ್ತದೆ. ಉತ್ತಮ ಅಪ್ಸ್ಕೇಲರ್ ಆ ಹಾನಿಯನ್ನು ವರ್ಧಿಸುವುದಿಲ್ಲ ( Real-ESRGAN ). -
ಮುಖ ಮತ್ತು ಪಠ್ಯ ಅರಿವು
ಮುಖಗಳು ಮತ್ತು ಪಠ್ಯವು ತಪ್ಪುಗಳನ್ನು ಗುರುತಿಸಲು ಸುಲಭವಾದ ಸ್ಥಳಗಳಾಗಿವೆ. ಉತ್ತಮ ಮಾದರಿಗಳು ಅವುಗಳನ್ನು ನಿಧಾನವಾಗಿ ನಡೆಸಿಕೊಳ್ಳುತ್ತವೆ (ಅಥವಾ ವಿಶೇಷ ವಿಧಾನಗಳನ್ನು ಹೊಂದಿವೆ). -
ಫ್ರೇಮ್ಗಳಾದ್ಯಂತ ಸ್ಥಿರತೆ (ವೀಡಿಯೊಗಾಗಿ)
ವಿವರವು ಫ್ರೇಮ್-ಟು-ಫ್ರೇಮ್ಗೆ ಮಿನುಗಿದರೆ, ನಿಮ್ಮ ಕಣ್ಣುಗಳು ಕಿರುಚುತ್ತವೆ. ವೀಡಿಯೊ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ತಾತ್ಕಾಲಿಕ ಸ್ಥಿರತೆಯಿಂದ ಜೀವಿಸುತ್ತದೆ ಅಥವಾ ಸಾಯುತ್ತದೆ ( BasicVSR (CVPR 2021) ). -
ಅರ್ಥಪೂರ್ಣವಾದ ನಿಯಂತ್ರಣಗಳು
ನಿಮಗೆ ನೈಜ ಫಲಿತಾಂಶಗಳಿಗೆ ನಕ್ಷೆ ಮಾಡುವ ಸ್ಲೈಡರ್ಗಳು ಬೇಕಾಗುತ್ತವೆ: ಶಬ್ದ ತೆಗೆಯುವಿಕೆ, ಮಸುಕುಗೊಳಿಸುವಿಕೆ, ಕಲಾಕೃತಿ ತೆಗೆಯುವಿಕೆ, ಧಾನ್ಯ ಧಾರಣ, ತೀಕ್ಷ್ಣಗೊಳಿಸುವಿಕೆ... ಪ್ರಾಯೋಗಿಕ ವಿಷಯಗಳು.
ಒಂದು ಶಾಂತ ನಿಯಮವಿದೆ: "ಉತ್ತಮ" ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಎಂದರೆ ನೀವು ಗಮನಿಸದೇ ಇರುವುದು. 📷✨ ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಲು ನಿಮ್ಮ ಬಳಿ ಉತ್ತಮ ಕ್ಯಾಮೆರಾ ಇದ್ದಂತೆ ತೋರುತ್ತಿದೆ
ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: ಜನಪ್ರಿಯ AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಆಯ್ಕೆಗಳು (ಮತ್ತು ಅವು ಯಾವುದಕ್ಕೆ ಒಳ್ಳೆಯದು) 📊🙂
ಕೆಳಗೆ ಒಂದು ಪ್ರಾಯೋಗಿಕ ಹೋಲಿಕೆ ಇದೆ. ಬೆಲೆಗಳು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಅಸ್ಪಷ್ಟವಾಗಿವೆ ಏಕೆಂದರೆ ಉಪಕರಣಗಳು ಪರವಾನಗಿ, ಬಂಡಲ್ಗಳು, ಲೆಕ್ಕಾಚಾರದ ವೆಚ್ಚಗಳು ಮತ್ತು ಎಲ್ಲಾ ಮೋಜಿನ ಸಂಗತಿಗಳನ್ನು ಅವಲಂಬಿಸಿ ಬದಲಾಗುತ್ತವೆ.
| ಪರಿಕರ / ವಿಧಾನ | ಅತ್ಯುತ್ತಮವಾದದ್ದು | ಬೆಲೆಯ ವಾತಾವರಣ | ಅದು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ (ಸರಿಸುಮಾರು) |
|---|---|---|---|
| ಟೋಪಾಜ್ ಶೈಲಿಯ ಡೆಸ್ಕ್ಟಾಪ್ ಅಪ್ಸ್ಕೇಲರ್ಗಳು ( ಟೋಪಾಜ್ ಫೋಟೋ , ಟೋಪಾಜ್ ವಿಡಿಯೋ ) | ಫೋಟೋಗಳು, ವೀಡಿಯೊ, ಸುಲಭ ಕಾರ್ಯಪ್ರವಾಹ | ಪಾವತಿಸಿದ | ಬಲವಾದ ಸಾಮಾನ್ಯ ಮಾದರಿಗಳು + ಸಾಕಷ್ಟು ಟ್ಯೂನಿಂಗ್, "ಕೆಲಸ ಮಾಡುತ್ತದೆ"... ಹೆಚ್ಚಾಗಿ |
| ಅಡೋಬ್ "ಸೂಪರ್ ರೆಸಲ್ಯೂಷನ್" ಪ್ರಕಾರದ ವೈಶಿಷ್ಟ್ಯಗಳು ( ಅಡೋಬ್ ಎನ್ಹಾನ್ಸ್ > ಸೂಪರ್ ರೆಸಲ್ಯೂಷನ್ ) | ಆ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಈಗಾಗಲೇ ಛಾಯಾಗ್ರಾಹಕರು ಇದ್ದಾರೆ | ಚಂದಾದಾರಿಕೆ-y | ಘನ ವಿವರ ಪುನರ್ನಿರ್ಮಾಣ, ಸಾಮಾನ್ಯವಾಗಿ ಸಂಪ್ರದಾಯವಾದಿ (ಕಡಿಮೆ ನಾಟಕ) |
| ರಿಯಲ್-ESRGAN / ESRGAN ರೂಪಾಂತರಗಳು ( ರಿಯಲ್-ESRGAN , ESRGAN ) | DIY, ಡೆವಲಪರ್ಗಳು, ಬ್ಯಾಚ್ ಕೆಲಸಗಳು | ಉಚಿತ (ಆದರೆ ಸಮಯ-ದುಬಾರಿ) | ವಿನ್ಯಾಸದ ವಿವರಗಳಲ್ಲಿ ಅದ್ಭುತವಾಗಿದೆ, ನೀವು ಜಾಗರೂಕರಾಗಿಲ್ಲದಿದ್ದರೆ ಮುಖಗಳು ಖಾರವಾಗಿರಬಹುದು |
| ಪ್ರಸರಣ-ಆಧಾರಿತ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ವಿಧಾನಗಳು ( SR3 ) | ಸೃಜನಾತ್ಮಕ ಕೆಲಸ, ಶೈಲೀಕೃತ ಫಲಿತಾಂಶಗಳು | ಮಿಶ್ರಿತ | ಸುಂದರವಾದ ವಿವರಗಳನ್ನು ರಚಿಸಬಹುದು - ಅಸಂಬದ್ಧತೆಯನ್ನು ಸಹ ಕಂಡುಹಿಡಿಯಬಹುದು, ಆದ್ದರಿಂದ... ಹೌದು |
| ಗೇಮ್ ಅಪ್ಸ್ಕೇಲರ್ಗಳು (DLSS/FSR-ಶೈಲಿ) ( NVIDIA DLSS , AMD FSR 2 ) | ನೈಜ-ಸಮಯದ ಗೇಮಿಂಗ್ ಮತ್ತು ರೆಂಡರಿಂಗ್ | ಬಂಡಲ್ ಮಾಡಲಾಗಿದೆ | ಚಲನೆಯ ಡೇಟಾ ಮತ್ತು ಕಲಿತ ಪೂರ್ವಗಳನ್ನು ಬಳಸುತ್ತದೆ - ಸುಗಮ ಕಾರ್ಯಕ್ಷಮತೆ ಗೆಲುವು 🕹️ |
| ಕ್ಲೌಡ್ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಸೇವೆಗಳು | ಅನುಕೂಲತೆ, ತ್ವರಿತ ಗೆಲುವುಗಳು | ಪ್ರತಿ ಬಳಕೆಗೆ ಪಾವತಿಸಿ | ವೇಗ + ಸ್ಕೇಲೆಬಲ್, ಆದರೆ ನೀವು ನಿಯಂತ್ರಣ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುತ್ತೀರಿ |
| ವೀಡಿಯೊ-ಕೇಂದ್ರಿತ AI ಅಪ್ಸ್ಕೇಲರ್ಗಳು ( BasicVSR , Topaz Video ) | ಹಳೆಯ ದೃಶ್ಯಗಳು, ಅನಿಮೆ, ಆರ್ಕೈವ್ಗಳು | ಪಾವತಿಸಿದ | ಫ್ಲಿಕರ್ + ವಿಶೇಷ ವೀಡಿಯೊ ಮಾದರಿಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ತಾತ್ಕಾಲಿಕ ತಂತ್ರಗಳು |
| "ಸ್ಮಾರ್ಟ್" ಫೋನ್/ಗ್ಯಾಲರಿ ಅಪ್ಸ್ಕೇಲಿಂಗ್ | ಸಾಮಾನ್ಯ ಬಳಕೆ | ಸೇರಿಸಲಾಗಿದೆ | ಹಗುರವಾದ ಮಾದರಿಗಳು ಪರಿಪೂರ್ಣತೆಗಾಗಿ ಅಲ್ಲ, ಆಹ್ಲಾದಕರ ಔಟ್ಪುಟ್ಗಾಗಿ ಟ್ಯೂನ್ ಮಾಡಲಾಗಿದೆ (ಇನ್ನೂ ಸೂಕ್ತವಾಗಿದೆ) |
ವಿಚಿತ್ರ ತಪ್ಪೊಪ್ಪಿಗೆಯನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡುವುದು: ಆ ಕೋಷ್ಟಕದಲ್ಲಿ “ಪಾವತಿಸಿದ” ಬಹಳಷ್ಟು ಕೆಲಸ ಮಾಡುತ್ತಿದೆ. ಆದರೆ ನಿಮಗೆ ಅರ್ಥವಾಗಿದೆ 😅
ದೊಡ್ಡ ರಹಸ್ಯ: ಮಾಡೆಲ್ಗಳು ಕಡಿಮೆ-ರೆಸಲ್ಯೂಶನ್ನಿಂದ ಹೆಚ್ಚಿನ-ರೆಸಲ್ಯೂಶನ್ಗೆ ಮ್ಯಾಪಿಂಗ್ ಕಲಿಯುತ್ತಾರೆ 🧠➡️🖼️
ಹೆಚ್ಚಿನ AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ನ ಹೃದಯಭಾಗದಲ್ಲಿ ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಸೆಟಪ್ ಇದೆ ( ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಯೂಸಿಂಗ್ ಡೀಪ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (SRCNN) ):
-
ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಚಿತ್ರಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ ("ಸತ್ಯ")
-
ಅವುಗಳನ್ನು ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್ ಆವೃತ್ತಿಗಳಿಗೆ ("ಇನ್ಪುಟ್") ಡೌನ್ಸ್ಯಾಂಪಲ್ ಮಾಡಿ
-
ಕಡಿಮೆ-ರೆಸಲ್ಯೂಶನ್ನಿಂದ ಮೂಲ ಹೈ-ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಿ
ಕಾಲಾನಂತರದಲ್ಲಿ, ಮಾದರಿಯು ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಕಲಿಯುತ್ತದೆ:
-
"ಕಣ್ಣಿನ ಸುತ್ತಲಿನ ಈ ರೀತಿಯ ಮಸುಕು ಸಾಮಾನ್ಯವಾಗಿ ರೆಪ್ಪೆಗೂದಲುಗಳಿಗೆ ಸೇರಿರುತ್ತದೆ"
-
"ಈ ಪಿಕ್ಸೆಲ್ ಕ್ಲಸ್ಟರ್ ಹೆಚ್ಚಾಗಿ ಸೆರಿಫ್ ಪಠ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ"
-
"ಈ ಅಂಚಿನ ಇಳಿಜಾರು ಮೇಲ್ಛಾವಣಿಯ ರೇಖೆಯಂತೆ ಕಾಣುತ್ತದೆ, ಯಾದೃಚ್ಛಿಕ ಶಬ್ದದಂತೆ ಅಲ್ಲ"
ಇದು ನಿರ್ದಿಷ್ಟ ಚಿತ್ರಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವುದಲ್ಲ (ಸರಳ ಅರ್ಥದಲ್ಲಿ), ಇದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ರಚನೆಯನ್ನು ಕಲಿಯುವುದು ( ಡೀಪ್ ಲರ್ನಿಂಗ್ ಫಾರ್ ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್: ಎ ಸರ್ವೆ ). ಇದನ್ನು ಟೆಕ್ಸ್ಚರ್ಗಳು ಮತ್ತು ಅಂಚುಗಳ ವ್ಯಾಕರಣವನ್ನು ಕಲಿಯುವಂತೆ ಯೋಚಿಸಿ. ಕಾವ್ಯ ವ್ಯಾಕರಣವಲ್ಲ, ಹೆಚ್ಚು ಇಷ್ಟ... IKEA ಕೈಪಿಡಿ ವ್ಯಾಕರಣ 🪑📦 (ಕ್ಲಂಕಿ ರೂಪಕ, ಆದರೆ ಸಾಕಷ್ಟು ಹತ್ತಿರ).
ನಟ್ಸ್ ಮತ್ತು ಬೋಲ್ಟ್ಗಳು: ಅನುಮಾನದ ಸಮಯದಲ್ಲಿ ಏನಾಗುತ್ತದೆ (ನೀವು ಅಪ್ಸ್ಕೇಲ್ ಮಾಡಿದಾಗ) ⚙️✨
ನೀವು ಒಂದು ಚಿತ್ರವನ್ನು AI ಅಪ್ಸ್ಕೇಲರ್ಗೆ ಫೀಡ್ ಮಾಡಿದಾಗ, ಸಾಮಾನ್ಯವಾಗಿ ಈ ರೀತಿಯ ಪೈಪ್ಲೈನ್ ಇರುತ್ತದೆ:
-
ಪೂರ್ವ ಸಂಸ್ಕರಣೆ
-
ಬಣ್ಣದ ಜಾಗವನ್ನು ಪರಿವರ್ತಿಸಿ (ಕೆಲವೊಮ್ಮೆ)
-
ಪಿಕ್ಸೆಲ್ ಮೌಲ್ಯಗಳನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸಿ
-
ಚಿತ್ರವು ದೊಡ್ಡದಾಗಿದ್ದರೆ ಅದನ್ನು ತುಂಡುಗಳಾಗಿ ಕತ್ತರಿಸಿ (VRAM ರಿಯಾಲಿಟಿ ಚೆಕ್ 😭) ( ರಿಯಲ್-ESRGAN ರೆಪೊ (ಟೈಲ್ ಆಯ್ಕೆಗಳು) )
-
-
ವೈಶಿಷ್ಟ್ಯ ಹೊರತೆಗೆಯುವಿಕೆ
-
ಆರಂಭಿಕ ಪದರಗಳು ಅಂಚುಗಳು, ಮೂಲೆಗಳು, ಇಳಿಜಾರುಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತವೆ
-
ಆಳವಾದ ಪದರಗಳು ಮಾದರಿಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತವೆ: ರಚನೆಗಳು, ಆಕಾರಗಳು, ಮುಖದ ಘಟಕಗಳು
-
-
ಪುನರ್ನಿರ್ಮಾಣ
-
ಈ ಮಾದರಿಯು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ವೈಶಿಷ್ಟ್ಯ ನಕ್ಷೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ
-
ನಂತರ ಅದನ್ನು ನಿಜವಾದ ಪಿಕ್ಸೆಲ್ ಔಟ್ಪುಟ್ಗೆ ಪರಿವರ್ತಿಸುತ್ತದೆ
-
-
ಪ್ರಕ್ರಿಯೆಯ ನಂತರ
-
ಐಚ್ಛಿಕ ಹರಿತಗೊಳಿಸುವಿಕೆ
-
ಐಚ್ಛಿಕ ಶಬ್ದ ಕಡಿತ
-
ಐಚ್ಛಿಕ ಕಲಾಕೃತಿ ನಿಗ್ರಹ (ರಿಂಗಿಂಗ್, ಹಾಲೋಸ್, ಬ್ಲಾಕ್ನೆಸ್)
-
ಒಂದು ಸೂಕ್ಷ್ಮ ವಿವರ: ಟೈಲ್ಗಳಲ್ಲಿ ಅನೇಕ ಉಪಕರಣಗಳು ದುಬಾರಿಯಾಗಿವೆ, ನಂತರ ಸ್ತರಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡುತ್ತವೆ. ಉತ್ತಮ ಪರಿಕರಗಳು ಟೈಲ್ ಗಡಿಗಳನ್ನು ಮರೆಮಾಡುತ್ತವೆ. ನೀವು ಕಣ್ಣು ಮಿಟುಕಿಸಿದರೆ ಮೆಹ್ ಪರಿಕರಗಳು ಮಸುಕಾದ ಗ್ರಿಡ್ ಗುರುತುಗಳನ್ನು ಬಿಡುತ್ತವೆ. ಮತ್ತು ಹೌದು, ನೀವು ಕಣ್ಣು ಮಿಟುಕಿಸುತ್ತೀರಿ, ಏಕೆಂದರೆ ಮಾನವರು ಸಣ್ಣ ಗ್ರೆಮ್ಲಿನ್ಗಳಂತೆ 300% ಜೂಮ್ನಲ್ಲಿ ಸಣ್ಣ ಅಪೂರ್ಣತೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಇಷ್ಟಪಡುತ್ತಾರೆ 🧌
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ಗಾಗಿ ಬಳಸಲಾಗುವ ಮುಖ್ಯ ಮಾದರಿ ಕುಟುಂಬಗಳು (ಮತ್ತು ಅವು ಏಕೆ ವಿಭಿನ್ನವಾಗಿವೆ ಎಂದು ಭಾವಿಸುತ್ತವೆ) 🤖📚
1) CNN-ಆಧಾರಿತ ಸೂಪರ್-ರೆಸಲ್ಯೂಷನ್ (ಕ್ಲಾಸಿಕ್ ವರ್ಕ್ಹಾರ್ಸ್)
ಕನ್ವಲ್ಯೂಷನಲ್ ನರಮಂಡಲ ಜಾಲಗಳು ಸ್ಥಳೀಯ ಮಾದರಿಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿವೆ: ಅಂಚುಗಳು, ಟೆಕಶ್ಚರ್ಗಳು, ಸಣ್ಣ ರಚನೆಗಳು ( ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಯೂಸಿಂಗ್ ಡೀಪ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (SRCNN) ).
-
ಸಾಧಕ: ವೇಗವಾದ, ಸ್ಥಿರವಾದ, ಕಡಿಮೆ ಆಶ್ಚರ್ಯಗಳು
-
ಕಾನ್ಸ್: ಹೆಚ್ಚು ಒತ್ತಿದರೆ ಸ್ವಲ್ಪ "ಸಂಸ್ಕರಿಸಿದ" ರೂಪದಲ್ಲಿ ಕಾಣಿಸಬಹುದು
2) GAN-ಆಧಾರಿತ ಅಪ್ಸ್ಕೇಲಿಂಗ್ (ESRGAN-ಶೈಲಿ) 🎭
GAN ಗಳು (ಜನರೇಟಿವ್ ಅಡ್ವರ್ಸರಿಯಲ್ ನೆಟ್ವರ್ಕ್ಗಳು) ಒಂದು ಜನರೇಟರ್ಗೆ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಚಿತ್ರಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ತರಬೇತಿ ನೀಡುತ್ತವೆ, ಇವುಗಳನ್ನು ತಾರತಮ್ಯ ಮಾಡುವವರು ನಿಜವಾದ ಚಿತ್ರಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ( ಜನರೇಟಿವ್ ಅಡ್ವರ್ಸರಿಯಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ).
-
ಸಾಧಕ: ಚುರುಕಾದ ವಿವರ, ಪ್ರಭಾವಶಾಲಿ ವಿನ್ಯಾಸ
-
ಕಾನ್ಸ್: ಇಲ್ಲದ ವಿವರಗಳನ್ನು ಆವಿಷ್ಕರಿಸಬಹುದು - ಕೆಲವೊಮ್ಮೆ ತಪ್ಪು, ಕೆಲವೊಮ್ಮೆ ವಿಚಿತ್ರ ( SRGAN , ESRGAN )
GAN ನಿಮಗೆ ಉಸಿರುಗಟ್ಟಿಸುವಂತಹ ತೀಕ್ಷ್ಣತೆಯನ್ನು ನೀಡಬಹುದು. ಇದು ನಿಮ್ಮ ಭಾವಚಿತ್ರಕ್ಕೆ ಹೆಚ್ಚುವರಿ ಹುಬ್ಬನ್ನು ಸಹ ನೀಡಬಹುದು. ಆದ್ದರಿಂದ... ನಿಮ್ಮ ಯುದ್ಧಗಳನ್ನು ಆರಿಸಿ 😬
3) ಪ್ರಸರಣ-ಆಧಾರಿತ ಅಪ್ಸ್ಕೇಲಿಂಗ್ (ಸೃಜನಶೀಲ ವೈಲ್ಡ್ಕಾರ್ಡ್) 🌫️➡️🖼️
ಪ್ರಸರಣ ಮಾದರಿಗಳು ಹಂತ ಹಂತವಾಗಿ ಶಬ್ದವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ ಮತ್ತು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ವಿವರಗಳನ್ನು ( SR3 ) ಉತ್ಪಾದಿಸಲು ಮಾರ್ಗದರ್ಶನ ನೀಡಬಹುದು.
-
ಸಾಧಕ: ತೋರಿಕೆಯ ವಿವರಗಳಲ್ಲಿ ಅದ್ಭುತವಾಗಿ ಉತ್ತಮವಾಗಿರಬಹುದು, ವಿಶೇಷವಾಗಿ ಸೃಜನಶೀಲ ಕೆಲಸಕ್ಕೆ
-
ಕಾನ್ಸ್: ಸೆಟ್ಟಿಂಗ್ಗಳು ಆಕ್ರಮಣಕಾರಿಯಾಗಿದ್ದರೆ ಮೂಲ ಗುರುತು/ರಚನೆಯಿಂದ ದೂರ ಹೋಗಬಹುದು ( SR3 )
"ಅಪ್ಸ್ಕೇಲಿಂಗ್" "ಪುನರ್ಕಲ್ಪನೆ"ಯೊಂದಿಗೆ ಮಿಶ್ರಣಗೊಳ್ಳಲು ಪ್ರಾರಂಭಿಸುವುದು ಇಲ್ಲಿಂದಲೇ. ಕೆಲವೊಮ್ಮೆ ನೀವು ಬಯಸುವುದು ಅದೇ ಆಗಿರುತ್ತದೆ. ಕೆಲವೊಮ್ಮೆ ಅದು ಅಲ್ಲ.
4) ತಾತ್ಕಾಲಿಕ ಸ್ಥಿರತೆಯೊಂದಿಗೆ ವೀಡಿಯೊ ಅಪ್ಸ್ಕೇಲಿಂಗ್ 🎞️
ವೀಡಿಯೊ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಹೆಚ್ಚಾಗಿ ಚಲನೆಯ ಅರಿವು ತರ್ಕವನ್ನು ಸೇರಿಸುತ್ತದೆ:
-
ವಿವರಗಳನ್ನು ಸ್ಥಿರಗೊಳಿಸಲು ನೆರೆಯ ಚೌಕಟ್ಟುಗಳನ್ನು ಬಳಸುತ್ತದೆ ( BasicVSR (CVPR 2021) )
-
ಫ್ಲಿಕರ್ ಮತ್ತು ಕ್ರಾಲ್ ಮಾಡುವ ಕಲಾಕೃತಿಗಳನ್ನು ತಪ್ಪಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ
-
ಹೆಚ್ಚಾಗಿ ಸೂಪರ್-ರೆಸಲ್ಯೂಷನ್ ಅನ್ನು ಡಿನೋಯಿಸ್ ಮತ್ತು ಡಿಇಂಟರ್ಲೇಸಿಂಗ್ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ ( ಟೋಪಾಜ್ ವಿಡಿಯೋ )
ಇಮೇಜ್ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಒಂದು ಪೇಂಟಿಂಗ್ ಅನ್ನು ಮರುಸ್ಥಾಪಿಸಿದಂತೆ, ವೀಡಿಯೊ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಪ್ರತಿ ಪುಟದಲ್ಲಿ ಪಾತ್ರದ ಮೂಗನ್ನು ಬದಲಾಯಿಸದೆ ಫ್ಲಿಪ್ಬುಕ್ ಅನ್ನು ಮರುಸ್ಥಾಪಿಸಿದಂತೆ. ಅದು... ಅಂದುಕೊಳ್ಳುವುದಕ್ಕಿಂತ ಕಠಿಣ.
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಕೆಲವೊಮ್ಮೆ ನಕಲಿಯಾಗಿ ಏಕೆ ಕಾಣುತ್ತದೆ (ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಗುರುತಿಸುವುದು) 👀🚩
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಗುರುತಿಸಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ವಿಫಲಗೊಳ್ಳುತ್ತದೆ. ನೀವು ಒಮ್ಮೆ ಮಾದರಿಗಳನ್ನು ಕಲಿತರೆ, ನೀವು ಅವುಗಳನ್ನು ಎಲ್ಲೆಡೆ ನೋಡುತ್ತೀರಿ, ಉದಾಹರಣೆಗೆ ಹೊಸ ಕಾರು ಖರೀದಿಸುವುದು ಮತ್ತು ಪ್ರತಿ ಬೀದಿಯಲ್ಲಿ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಆ ಮಾದರಿಯನ್ನು ಗಮನಿಸುವುದು 😵💫
ಸಾಮಾನ್ಯ ಹೇಳುತ್ತದೆ:
-
ಮೇಣದ ಚರ್ಮ (ಹೆಚ್ಚು ಶಬ್ದ ತೆಗೆಯುವುದು + ಮೃದುಗೊಳಿಸುವಿಕೆ)
-
ಅತಿಯಾಗಿ ಹರಿತವಾದ ಪ್ರಭಾವಲಯಗಳು (ಕ್ಲಾಸಿಕ್ "ಓವರ್ಶೂಟ್" ಪ್ರದೇಶ) ( ಬೈಕ್ಯೂಬಿಕ್ ಇಂಟರ್ಪೋಲೇಷನ್ )
-
ಪುನರಾವರ್ತಿತ ಟೆಕಶ್ಚರ್ಗಳು (ಇಟ್ಟಿಗೆ ಗೋಡೆಗಳು ನಕಲು-ಅಂಟಿಸುವಿಕೆಯ ಮಾದರಿಗಳಾಗಿ ಮಾರ್ಪಡುತ್ತವೆ)
-
"ಅಲ್ಗಾರಿದಮ್" ಎಂದು ಕಿರುಚುವ ಗರಿಗರಿಯಾದ ಸೂಕ್ಷ್ಮ-ವ್ಯತಿರಿಕ್ತತೆ
-
ಅಕ್ಷರಗಳು ಬಹುತೇಕ ಅಕ್ಷರಗಳಾಗಿ ಬದಲಾಗುವ ಪಠ್ಯ ಗೊಂದಲ
-
ವಿವರಗಳ ದಿಕ್ಚ್ಯುತಿ, ಇದರಲ್ಲಿ ಸಣ್ಣ ವೈಶಿಷ್ಟ್ಯಗಳು ಸೂಕ್ಷ್ಮವಾಗಿ ಬದಲಾಗುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ಪ್ರಸರಣ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ( SR3 )
ಕ್ಲಿಷ್ಟಕರವಾದ ಭಾಗ: ಕೆಲವೊಮ್ಮೆ ಈ ಕಲಾಕೃತಿಗಳು ಒಂದು ನೋಟದಲ್ಲಿ "ಉತ್ತಮವಾಗಿ" ಕಾಣುತ್ತವೆ. ನಿಮ್ಮ ಮೆದುಳಿಗೆ ತೀಕ್ಷ್ಣತೆ ಇಷ್ಟವಾಗುತ್ತದೆ. ಆದರೆ ಒಂದು ಕ್ಷಣದ ನಂತರ, ಅದು ... ಆಫ್ ಅನಿಸುತ್ತದೆ.
ಒಂದು ಒಳ್ಳೆಯ ತಂತ್ರವೆಂದರೆ ಝೂಮ್ ಔಟ್ ಮಾಡಿ ಸಾಮಾನ್ಯ ವೀಕ್ಷಣಾ ದೂರದಲ್ಲಿ ಅದು ನೈಸರ್ಗಿಕವಾಗಿ ಕಾಣುತ್ತದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವುದು. ಅದು 400% ಝೂಮ್ನಲ್ಲಿ ಮಾತ್ರ ಚೆನ್ನಾಗಿ ಕಂಡುಬಂದರೆ, ಅದು ಗೆಲುವು ಅಲ್ಲ, ಅದು ಹವ್ಯಾಸ 😅
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಗಣಿತದ ತಲೆನೋವು ಇಲ್ಲದೆ ತರಬೇತಿ ಭಾಗ 📉🙂
ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಮಾದರಿಗಳ ತರಬೇತಿ ಸಾಮಾನ್ಯವಾಗಿ ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ:
-
ಜೋಡಿಯಾಗಿರುವ ಡೇಟಾಸೆಟ್ಗಳು (ಕಡಿಮೆ-ರೆಸಲ್ಯೂಶನ್ ಇನ್ಪುಟ್, ಹೆಚ್ಚಿನ-ರೆಸಲ್ಯೂಶನ್ ಗುರಿ) ( ಡೀಪ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ (SRCNN) )
-
ತಪ್ಪು ಪುನರ್ನಿರ್ಮಾಣಗಳನ್ನು ಶಿಕ್ಷಿಸುವ ನಷ್ಟ ಕಾರ್ಯಗಳು SRGAN )
ವಿಶಿಷ್ಟ ನಷ್ಟದ ವಿಧಗಳು:
-
ಪಿಕ್ಸೆಲ್ ನಷ್ಟ (L1/L2)
ನಿಖರತೆಯನ್ನು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತದೆ. ಸ್ವಲ್ಪ ಮೃದುವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದು. -
ಗ್ರಹಿಕೆ ನಷ್ಟವು
ಆಳವಾದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ("ಇದು ಹೋಲುತ್ತದೆಯೇ" ನಂತಹ) ಹೋಲಿಸುತ್ತದೆ ( ಪರ್ಸೆಪ್ಚುವಲ್ ಲಾಸಸ್ (ಜಾನ್ಸನ್ ಮತ್ತು ಇತರರು, 2016) ). -
ವಿರೋಧಿ ನಷ್ಟ (GAN)
ವಾಸ್ತವಿಕತೆಯನ್ನು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತದೆ, ಕೆಲವೊಮ್ಮೆ ಅಕ್ಷರಶಃ ನಿಖರತೆಯ ವೆಚ್ಚದಲ್ಲಿ ( SRGAN , ಜನರೇಟಿವ್ ವಿರೋಧಿ ನೆಟ್ವರ್ಕ್ಗಳು ).
ನಿರಂತರ ಜಗಳ ನಡೆಯುತ್ತಿದೆ:
-
ಮೂಲ
vs ಗೆ ನಿಷ್ಠರಾಗಿರಿ -
ಅದನ್ನು ನೋಡಲು ಆಹ್ಲಾದಕರವಾಗಿಸಿ
ಆ ವರ್ಣಪಟಲದಲ್ಲಿ ವಿಭಿನ್ನ ಉಪಕರಣಗಳು ವಿಭಿನ್ನ ಸ್ಥಳಗಳಲ್ಲಿ ಇಳಿಯುತ್ತವೆ. ಮತ್ತು ನೀವು ಕುಟುಂಬದ ಫೋಟೋಗಳನ್ನು ಮರುಸ್ಥಾಪಿಸುತ್ತಿದ್ದೀರಾ ಅಥವಾ "ಸುಂದರತೆ" ಫೋರೆನ್ಸಿಕ್ ನಿಖರತೆಗಿಂತ ಹೆಚ್ಚು ಮುಖ್ಯವಾದ ಪೋಸ್ಟರ್ ಅನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತಿದ್ದೀರಾ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿ ನೀವು ಒಂದನ್ನು ಆರಿಸಿಕೊಳ್ಳಬಹುದು.
ಪ್ರಾಯೋಗಿಕ ಕೆಲಸದ ಹರಿವುಗಳು: ಫೋಟೋಗಳು, ಹಳೆಯ ಸ್ಕ್ಯಾನ್ಗಳು, ಅನಿಮೆ ಮತ್ತು ವೀಡಿಯೊ 📸🧾🎥
ಫೋಟೋಗಳು (ಭಾವಚಿತ್ರಗಳು, ಭೂದೃಶ್ಯಗಳು, ಉತ್ಪನ್ನದ ಛಾಯಾಚಿತ್ರಗಳು)
ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ತಮ ಅಭ್ಯಾಸವೆಂದರೆ:
-
ಮೊದಲು ಸ್ವಲ್ಪ ಶಬ್ದ ಕಡಿತಗೊಳಿಸಿ (ಅಗತ್ಯವಿದ್ದರೆ)
-
ಸಂಪ್ರದಾಯವಾದಿ ಸೆಟ್ಟಿಂಗ್ಗಳೊಂದಿಗೆ ಅಪ್ಸ್ಕೇಲ್
-
ಎಲ್ಲವೂ ತುಂಬಾ ಮೃದುವಾಗಿದ್ದರೆ ಮತ್ತೆ ಧಾನ್ಯವನ್ನು ಸೇರಿಸಿ (ಹೌದು, ನಿಜವಾಗಿಯೂ)
ಧಾನ್ಯಗಳು ಉಪ್ಪಿನಂತೆ. ಹೆಚ್ಚು ಉಪ್ಪು ಊಟವನ್ನು ಹಾಳು ಮಾಡುತ್ತದೆ, ಆದರೆ ಯಾವುದೂ ಉಪ್ಪಿನ ರುಚಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದಿಲ್ಲ 🍟
ಹಳೆಯ ಸ್ಕ್ಯಾನ್ಗಳು ಮತ್ತು ಹೆಚ್ಚು ಸಂಕುಚಿತಗೊಳಿಸಿದ ಚಿತ್ರಗಳು
ಮಾದರಿಯು ಕಂಪ್ರೆಷನ್ ಬ್ಲಾಕ್ಗಳನ್ನು "ಟೆಕ್ಸ್ಚರ್" ಎಂದು ಪರಿಗಣಿಸಬಹುದಾದ್ದರಿಂದ ಇವುಗಳು ಹೆಚ್ಚು ಕಠಿಣವಾಗಿವೆ.
ಪ್ರಯತ್ನಿಸಿ:
-
ಕಲಾಕೃತಿ ತೆಗೆಯುವಿಕೆ ಅಥವಾ ಅನಿರ್ಬಂಧ ತೆಗೆಯುವಿಕೆ
-
ನಂತರ ದುಬಾರಿ
-
ನಂತರ ಸ್ವಲ್ಪ ಹರಿತಗೊಳಿಸುವಿಕೆ (ಹೆಚ್ಚು ಅಲ್ಲ... ನನಗೆ ಗೊತ್ತು, ಎಲ್ಲರೂ ಹಾಗೆ ಹೇಳುತ್ತಾರೆ, ಆದರೂ)
ಅನಿಮೆ ಮತ್ತು ಲೈನ್ ಆರ್ಟ್
ಸಾಲು ಕಲೆಯ ಪ್ರಯೋಜನಗಳು:
-
ಸ್ವಚ್ಛವಾದ ಅಂಚುಗಳನ್ನು ಸಂರಕ್ಷಿಸುವ ಮಾದರಿಗಳು
-
ಕಡಿಮೆಯಾದ ವಿನ್ಯಾಸ ಭ್ರಮೆ
ಅನಿಮೆ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾಣುತ್ತದೆ ಏಕೆಂದರೆ ಆಕಾರಗಳು ಸರಳ ಮತ್ತು ಸ್ಥಿರವಾಗಿರುತ್ತವೆ. (ಅದೃಷ್ಟ.)
ವೀಡಿಯೊ
ವೀಡಿಯೊ ಹೆಚ್ಚುವರಿ ಹಂತಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ:
-
ಶಬ್ದ ಕಡಿತಗೊಳಿಸು
-
ಡೀಇಂಟರ್ಲೇಸ್ (ಕೆಲವು ಮೂಲಗಳಿಗೆ)
-
ಅಪ್ಸ್ಕೇಲ್
-
ತಾತ್ಕಾಲಿಕ ಮೃದುಗೊಳಿಸುವಿಕೆ ಅಥವಾ ಸ್ಥಿರೀಕರಣ ( BasicVSR (CVPR 2021) )
-
ಒಗ್ಗಟ್ಟಿಗಾಗಿ ಐಚ್ಛಿಕ ಧಾನ್ಯ ಮರುಪರಿಚಯ
ನೀವು ತಾತ್ಕಾಲಿಕ ಸ್ಥಿರತೆಯನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ನಿಮಗೆ ಆ ಮಿನುಗುವ ವಿವರ ಮಿನುಗುವಿಕೆ ಸಿಗುತ್ತದೆ. ನೀವು ಅದನ್ನು ಒಮ್ಮೆ ಗಮನಿಸಿದರೆ, ನೀವು ಅದನ್ನು ಮರೆಯಲು ಸಾಧ್ಯವಿಲ್ಲ. ಶಾಂತ ಕೋಣೆಯಲ್ಲಿ ಕೀರಲು ಧ್ವನಿಯಲ್ಲಿ ಹೇಳುವ ಕುರ್ಚಿಯಂತೆ 😖
ಹುಚ್ಚುಚ್ಚಾಗಿ ಊಹಿಸದೆ ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು ಆರಿಸುವುದು (ಒಂದು ಸಣ್ಣ ಚೀಟ್ ಶೀಟ್) 🎛️😵💫
ಇಲ್ಲಿ ಒಂದು ಯೋಗ್ಯವಾದ ಆರಂಭಿಕ ಮನಸ್ಥಿತಿ ಇದೆ:
-
ಮುಖಗಳು ಪ್ಲಾಸ್ಟಿಕ್ ಆಗಿ ಕಾಣುತ್ತಿದ್ದರೆ
ಶಬ್ದ ಕಡಿತಗೊಳಿಸಿ, ತೀಕ್ಷ್ಣಗೊಳಿಸುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಿ, ಮುಖ ಸಂರಕ್ಷಿಸುವ ಮಾದರಿ ಅಥವಾ ಮೋಡ್ ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ. -
ಟೆಕಶ್ಚರ್ಗಳು ತುಂಬಾ ತೀವ್ರವಾಗಿ ಕಂಡುಬಂದರೆ
"ವಿವರ ವರ್ಧನೆ" ಅಥವಾ "ವಿವರ ಮರುಪಡೆಯುವಿಕೆ" ಸ್ಲೈಡರ್ಗಳನ್ನು ಕೆಳಗೆ ಇರಿಸಿ, ನಂತರ ಸೂಕ್ಷ್ಮ ಧಾನ್ಯವನ್ನು ಸೇರಿಸಿ. -
ಅಂಚುಗಳು ಹೊಳೆಯುತ್ತಿದ್ದರೆ
ತೀಕ್ಷ್ಣಗೊಳಿಸುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಿ, ಹಾಲೋ ಸಪ್ರೆಶನ್ ಆಯ್ಕೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. -
ಚಿತ್ರ ತುಂಬಾ "AI" ಆಗಿ ಕಾಣುತ್ತಿದ್ದರೆ
ಹೆಚ್ಚು ಸಂಪ್ರದಾಯವಾದಿಯಾಗಿರಿ. ಕೆಲವೊಮ್ಮೆ ಉತ್ತಮ ನಡೆ ಸರಳವಾಗಿ... ಕಡಿಮೆ.
ಅಲ್ಲದೆ: ನೀವು ಮಾಡಬಹುದು ಎಂಬ ಕಾರಣಕ್ಕಾಗಿ 8x ಅನ್ನು ಅಪ್ಸ್ಕೇಲ್ ಮಾಡಬೇಡಿ. ಕ್ಲೀನ್ 2x ಅಥವಾ 4x ಹೆಚ್ಚಾಗಿ ಸಿಹಿ ತಾಣವಾಗಿದೆ. ಅದಕ್ಕೂ ಮೀರಿ, ನೀವು ಮಾಡೆಲ್ಗೆ ನಿಮ್ಮ ಪಿಕ್ಸೆಲ್ಗಳ ಬಗ್ಗೆ ಫ್ಯಾನ್ ಫಿಕ್ಷನ್ ಬರೆಯಲು ಕೇಳುತ್ತಿದ್ದೀರಿ 📖😂
ನೀತಿಶಾಸ್ತ್ರ, ದೃಢೀಕರಣ ಮತ್ತು "ಸತ್ಯ"ದ ವಿಚಿತ್ರ ಪ್ರಶ್ನೆ 🧭😬
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಒಂದು ಸಾಲನ್ನು ಮಸುಕುಗೊಳಿಸುತ್ತದೆ:
-
ಪುನಃಸ್ಥಾಪನೆ ಎಂದರೆ ಅಲ್ಲಿದ್ದದ್ದನ್ನು ಮರಳಿ ಪಡೆಯುವುದು ಎಂದರ್ಥ
-
ವರ್ಧನೆ ಎಂದರೆ ಇಲ್ಲದಿರುವುದನ್ನು ಸೇರಿಸುವುದು
ವೈಯಕ್ತಿಕ ಫೋಟೋಗಳೊಂದಿಗೆ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ತಮವಾಗಿರುತ್ತದೆ (ಮತ್ತು ಸುಂದರವಾಗಿರುತ್ತದೆ). ಪತ್ರಿಕೋದ್ಯಮ, ಕಾನೂನು ಪುರಾವೆಗಳು, ವೈದ್ಯಕೀಯ ಚಿತ್ರಣ ಅಥವಾ ನಿಷ್ಠೆ ಮುಖ್ಯವಾಗುವ ಯಾವುದೇ ವಿಷಯದೊಂದಿಗೆ... ನೀವು ಜಾಗರೂಕರಾಗಿರಬೇಕು ( OSAC/NIST: ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಗೈಡ್ ಫಾರ್ ಫೋರೆನ್ಸಿಕ್ ಡಿಜಿಟಲ್ ಇಮೇಜ್ ಮ್ಯಾನೇಜ್ಮೆಂಟ್ , SWGDE ಗೈಡ್ಲೈನ್ಸ್ ಫಾರ್ ಫೋರೆನ್ಸಿಕ್ ಇಮೇಜ್ ಅನಾಲಿಸಿಸ್ ).
ಒಂದು ಸರಳ ನಿಯಮ:
-
ಅಪಾಯಗಳು ಹೆಚ್ಚಿದ್ದರೆ, AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಅನ್ನು ನಿರ್ಣಾಯಕವಾಗಿ ಅಲ್ಲ, ವಿವರಣಾತ್ಮಕವಾಗಿ ಪರಿಗಣಿಸಿ.
ಅಲ್ಲದೆ, ವೃತ್ತಿಪರ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯು ಮುಖ್ಯವಾಗಿದೆ. AI ಕೆಟ್ಟದ್ದಾಗಿರುವುದರಿಂದ ಅಲ್ಲ, ಆದರೆ ಪ್ರೇಕ್ಷಕರು ವಿವರಗಳನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲಾಗಿದೆಯೇ ಅಥವಾ ಸೆರೆಹಿಡಿಯಲಾಗಿದೆಯೇ ಎಂದು ತಿಳಿದುಕೊಳ್ಳಲು ಅರ್ಹರು. ಅದು ಕೇವಲ... ಗೌರವಾನ್ವಿತ.
ಮುಕ್ತಾಯದ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಸಂಕ್ಷಿಪ್ತ ಸಾರಾಂಶ 🧡✅
ಹಾಗಾಗಿ, AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದು ಹೀಗಿದೆ: ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ವಿವರಗಳು ಕಡಿಮೆ-ರೆಸಲ್ಯೂಶನ್ ಮಾದರಿಗಳಿಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿವೆ ಎಂಬುದನ್ನು ಕಲಿಯುತ್ತವೆ, ನಂತರ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಸಮಯದಲ್ಲಿ ನಂಬಲರ್ಹವಾದ ಹೆಚ್ಚುವರಿ ಪಿಕ್ಸೆಲ್ಗಳನ್ನು ಊಹಿಸುತ್ತವೆ ( ಡೀಪ್ ಲರ್ನಿಂಗ್ ಫಾರ್ ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್: ಎ ಸರ್ವೆ ). ಮಾದರಿ ಕುಟುಂಬವನ್ನು ಅವಲಂಬಿಸಿ (CNN, GAN, ಪ್ರಸರಣ, ವೀಡಿಯೊ-ತಾತ್ಕಾಲಿಕ), ಆ ಭವಿಷ್ಯವು ಸಂಪ್ರದಾಯವಾದಿ ಮತ್ತು ನಿಷ್ಠಾವಂತವಾಗಿರಬಹುದು... ಅಥವಾ ದಪ್ಪ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಹಿಂಜ್ ಆಗಿರುವುದಿಲ್ಲ 😅
ಸಂಕ್ಷಿಪ್ತ ಸಾರಾಂಶ
-
ಸಾಂಪ್ರದಾಯಿಕ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಪಿಕ್ಸೆಲ್ಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ ( ಬೈಕ್ಯೂಬಿಕ್ ಇಂಟರ್ಪೋಲೇಷನ್ )
-
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಕಲಿತ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕಾಣೆಯಾದ ವಿವರಗಳನ್ನು ಊಹಿಸುತ್ತದೆ ( ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಯೂಸಿಂಗ್ ಡೀಪ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (SRCNN) )
-
ಉತ್ತಮ ಫಲಿತಾಂಶಗಳು ಸರಿಯಾದ ಮಾದರಿ + ಸಂಯಮದಿಂದ ಬರುತ್ತವೆ
-
ವೀಡಿಯೊದಲ್ಲಿ ಹಾಲೋಸ್, ಮೇಣದಂಥ ಮುಖಗಳು, ಪುನರಾವರ್ತಿತ ಟೆಕಶ್ಚರ್ಗಳು ಮತ್ತು ಫ್ಲಿಕರ್ ಅನ್ನು ವೀಕ್ಷಿಸಿ ( BasicVSR (CVPR 2021) )
-
ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಸಾಮಾನ್ಯವಾಗಿ "ನಂಬಬಹುದಾದ ಪುನರ್ನಿರ್ಮಾಣ" ವಾಗಿರುತ್ತದೆ, ಪರಿಪೂರ್ಣ ಸತ್ಯವಲ್ಲ ( SRGAN , ESRGAN )
ನೀವು ಬಯಸಿದರೆ, ನೀವು ಏನನ್ನು ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಮಾಡುತ್ತಿದ್ದೀರಿ ಎಂದು ಹೇಳಿ (ಮುಖಗಳು, ಹಳೆಯ ಫೋಟೋಗಳು, ವೀಡಿಯೊ, ಅನಿಮೆ, ಪಠ್ಯ ಸ್ಕ್ಯಾನ್ಗಳು), ಮತ್ತು ಸಾಮಾನ್ಯ "AI ಲುಕ್" ಅಪಾಯಗಳನ್ನು ತಪ್ಪಿಸಲು ಒಲವು ತೋರುವ ಸೆಟ್ಟಿಂಗ್ಗಳ ತಂತ್ರವನ್ನು ನಾನು ಸೂಚಿಸುತ್ತೇನೆ 🎯🙂
ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಮತ್ತು ಅದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ (ಸಾಮಾನ್ಯವಾಗಿ "ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಕಲಿತ ಮಾದರಿಗಳಿಂದ ಕಾಣೆಯಾದ ಹೆಚ್ಚಿನ-ರೆಸಲ್ಯೂಶನ್ ವಿವರಗಳನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಚಿತ್ರದ ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಬೈಕ್ಯುಬಿಕ್ ಇಂಟರ್ಪೋಲೇಷನ್ನಂತಹ ಪಿಕ್ಸೆಲ್ಗಳನ್ನು ಸರಳವಾಗಿ ವಿಸ್ತರಿಸುವ ಬದಲು, ಮಾದರಿಯು ಅಂಚುಗಳು, ಟೆಕಶ್ಚರ್ಗಳು, ಮುಖಗಳು ಮತ್ತು ಪಠ್ಯದಂತಹ ಸ್ಟ್ರೋಕ್ಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತದೆ, ನಂತರ ಆ ಕಲಿತ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಹೊಸ ಪಿಕ್ಸೆಲ್ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಇದು ಕಡಿಮೆ "ವಾಸ್ತವವನ್ನು ಮರುಸ್ಥಾಪಿಸುವುದು" ಮತ್ತು ನೈಸರ್ಗಿಕವೆಂದು ಓದುವ "ನಂಬಬಹುದಾದ ಊಹೆಯನ್ನು ಮಾಡುವುದು".
ಬೈಕ್ಯೂಬಿಕ್ ಅಥವಾ ಸಾಂಪ್ರದಾಯಿಕ ಮರುಗಾತ್ರಗೊಳಿಸುವಿಕೆಗೆ ವಿರುದ್ಧವಾಗಿ AI ಅಪ್ಸ್ಕೇಲಿಂಗ್
ಸಾಂಪ್ರದಾಯಿಕ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ವಿಧಾನಗಳು (ಬೈಕ್ಯೂಬಿಕ್ನಂತಹವು) ಮುಖ್ಯವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪಿಕ್ಸೆಲ್ಗಳ ನಡುವೆ ಇಂಟರ್ಪೋಲೇಟ್ ಮಾಡುತ್ತವೆ, ನಿಜವಾದ ಹೊಸ ವಿವರಗಳನ್ನು ರಚಿಸದೆ ಪರಿವರ್ತನೆಗಳನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತವೆ. AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ದೃಶ್ಯ ಸೂಚನೆಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಮತ್ತು ಆ ಸೂಚನೆಗಳ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಆವೃತ್ತಿಗಳು ಹೇಗೆ ಕಾಣುತ್ತವೆ ಎಂಬುದನ್ನು ಊಹಿಸುವ ಮೂಲಕ ತೋರಿಕೆಯ ರಚನೆಯನ್ನು ಪುನರ್ನಿರ್ಮಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಅದಕ್ಕಾಗಿಯೇ AI ಫಲಿತಾಂಶಗಳು ನಾಟಕೀಯವಾಗಿ ತೀಕ್ಷ್ಣವಾಗಿರುತ್ತವೆ ಮತ್ತು ಮೂಲದಲ್ಲಿ ಇಲ್ಲದ ಕಲಾಕೃತಿಗಳನ್ನು ಅಥವಾ "ಆವಿಷ್ಕಾರ" ವಿವರಗಳನ್ನು ಸಹ ಅವರು ಪರಿಚಯಿಸಬಹುದು.
ಮುಖಗಳು ಮೇಣದಂತೆ ಅಥವಾ ಅತಿಯಾಗಿ ನಯವಾಗಿ ಕಾಣಲು ಕಾರಣಗಳು
ಮೇಣದಂಥ ಮುಖಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಆಕ್ರಮಣಕಾರಿ ಶಬ್ದ ತೆಗೆಯುವಿಕೆ ಮತ್ತು ಮೃದುಗೊಳಿಸುವಿಕೆಯೊಂದಿಗೆ ಸೇರಿಕೊಂಡು ಚರ್ಮದ ನೈಸರ್ಗಿಕ ವಿನ್ಯಾಸವನ್ನು ತೆಗೆದುಹಾಕುವುದರಿಂದ ಬರುತ್ತವೆ. ಅನೇಕ ಉಪಕರಣಗಳು ಶಬ್ದ ಮತ್ತು ಸೂಕ್ಷ್ಮ ವಿನ್ಯಾಸವನ್ನು ಇದೇ ರೀತಿ ಪರಿಗಣಿಸುತ್ತವೆ, ಆದ್ದರಿಂದ ಚಿತ್ರವನ್ನು "ಸ್ವಚ್ಛಗೊಳಿಸುವುದು" ರಂಧ್ರಗಳು ಮತ್ತು ಸೂಕ್ಷ್ಮ ವಿವರಗಳನ್ನು ಅಳಿಸಿಹಾಕಬಹುದು. ಶಬ್ದ ತೆಗೆಯುವಿಕೆ ಮತ್ತು ತೀಕ್ಷ್ಣಗೊಳಿಸುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು, ಲಭ್ಯವಿದ್ದರೆ ಮುಖ-ಸಂರಕ್ಷಿಸುವ ಮೋಡ್ ಅನ್ನು ಬಳಸುವುದು, ನಂತರ ಧಾನ್ಯದ ಸ್ಪರ್ಶವನ್ನು ಮತ್ತೆ ಪರಿಚಯಿಸುವುದು ಸಾಮಾನ್ಯ ವಿಧಾನವಾಗಿದೆ, ಇದರಿಂದಾಗಿ ಫಲಿತಾಂಶವು ಕಡಿಮೆ ಪ್ಲಾಸ್ಟಿಕ್ ಮತ್ತು ಹೆಚ್ಚು ಛಾಯಾಗ್ರಹಣವನ್ನು ಅನುಭವಿಸುತ್ತದೆ.
ಗಮನಿಸಬೇಕಾದ ಸಾಮಾನ್ಯ AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಕಲಾಕೃತಿಗಳು
ವಿಶಿಷ್ಟವಾದ ಟೆಲ್ಗಳಲ್ಲಿ ಅಂಚುಗಳ ಸುತ್ತಲೂ ಹಾಲೋಗಳು, ಪುನರಾವರ್ತಿತ ಟೆಕ್ಸ್ಚರ್ ಪ್ಯಾಟರ್ನ್ಗಳು (ಕಾಪಿ-ಪೇಸ್ಟ್ ಬ್ರಿಕ್ಸ್ಗಳಂತೆ), ಗರಿಗರಿಯಾದ ಮೈಕ್ರೋ-ಕಾಂಟ್ರಾಸ್ಟ್ ಮತ್ತು "ಬಹುತೇಕ ಅಕ್ಷರಗಳಾಗಿ" ಬದಲಾಗುವ ಪಠ್ಯ ಸೇರಿವೆ. ಡಿಫ್ಯೂಷನ್-ಆಧಾರಿತ ವರ್ಕ್ಫ್ಲೋಗಳಲ್ಲಿ, ಸಣ್ಣ ವೈಶಿಷ್ಟ್ಯಗಳು ಸೂಕ್ಷ್ಮವಾಗಿ ಬದಲಾಗುವ ವಿವರ ಡ್ರಿಫ್ಟ್ ಅನ್ನು ಸಹ ನೀವು ನೋಡಬಹುದು. ವೀಡಿಯೊಗಾಗಿ, ಫ್ರೇಮ್ಗಳಾದ್ಯಂತ ಫ್ಲಿಕರ್ ಮತ್ತು ಕ್ರಾಲ್ ಮಾಡುವ ವಿವರಗಳು ದೊಡ್ಡ ಕೆಂಪು ಧ್ವಜಗಳಾಗಿವೆ. ಇದು ತೀವ್ರ ಜೂಮ್ನಲ್ಲಿ ಮಾತ್ರ ಉತ್ತಮವಾಗಿ ಕಾಣುತ್ತಿದ್ದರೆ, ಸೆಟ್ಟಿಂಗ್ಗಳು ಬಹುಶಃ ತುಂಬಾ ಆಕ್ರಮಣಕಾರಿಯಾಗಿರಬಹುದು.
GAN, CNN, ಮತ್ತು ಪ್ರಸರಣ ಅಪ್ಸ್ಕೇಲರ್ಗಳು ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಹೇಗೆ ಭಿನ್ನವಾಗಿವೆ
CNN-ಆಧಾರಿತ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಸ್ಥಿರ ಮತ್ತು ಹೆಚ್ಚು ಊಹಿಸಬಹುದಾದದ್ದಾಗಿರುತ್ತದೆ, ಆದರೆ ಬಲವಾಗಿ ಒತ್ತಿದರೆ ಅದು "ಸಂಸ್ಕರಿಸಿದ"ಂತೆ ಕಾಣಿಸಬಹುದು. GAN-ಆಧಾರಿತ ಆಯ್ಕೆಗಳು (ESRGAN-ಶೈಲಿ) ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ಚುರುಕಾದ ವಿನ್ಯಾಸ ಮತ್ತು ಗ್ರಹಿಸಿದ ತೀಕ್ಷ್ಣತೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ, ಆದರೆ ಅವು ತಪ್ಪಾದ ವಿವರಗಳನ್ನು, ವಿಶೇಷವಾಗಿ ಮುಖಗಳ ಮೇಲೆ ಭ್ರಮೆಗೊಳಿಸಬಹುದು. ಪ್ರಸರಣ-ಆಧಾರಿತ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಸುಂದರವಾದ, ತೋರಿಕೆಯ ವಿವರಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು, ಆದರೆ ಮಾರ್ಗದರ್ಶನ ಅಥವಾ ಬಲ ಸೆಟ್ಟಿಂಗ್ಗಳು ತುಂಬಾ ಪ್ರಬಲವಾಗಿದ್ದರೆ ಅದು ಮೂಲ ರಚನೆಯಿಂದ ದೂರ ಹೋಗಬಹುದು.
"ತುಂಬಾ AI" ನೋಟವನ್ನು ತಪ್ಪಿಸಲು ಪ್ರಾಯೋಗಿಕ ಸೆಟ್ಟಿಂಗ್ಗಳ ತಂತ್ರ
ಸಂಪ್ರದಾಯವಾದಿಯಾಗಿ ಪ್ರಾರಂಭಿಸಿ: ತೀವ್ರ ಅಂಶಗಳನ್ನು ತಲುಪುವ ಮೊದಲು 2× ಅಥವಾ 4× ಅನ್ನು ಅಪ್ಸ್ಕೇಲ್ ಮಾಡಿ. ಮುಖಗಳು ಪ್ಲಾಸ್ಟಿಕ್ನಂತೆ ಕಾಣುತ್ತಿದ್ದರೆ, ಡಯಲ್ ಬ್ಯಾಕ್ ಡಿನೋಯಿಸ್ ಮತ್ತು ಶಾರ್ಪನಿಂಗ್ ಮತ್ತು ಫೇಸ್-ಅವೇರ್ ಮೋಡ್ ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ. ಟೆಕಶ್ಚರ್ಗಳು ತುಂಬಾ ತೀವ್ರವಾಗಿದ್ದರೆ, ಕಡಿಮೆ ವಿವರ ವರ್ಧನೆ ಮತ್ತು ನಂತರ ಸೂಕ್ಷ್ಮ ಧಾನ್ಯವನ್ನು ಸೇರಿಸುವುದನ್ನು ಪರಿಗಣಿಸಿ. ಅಂಚುಗಳು ಹೊಳೆಯುತ್ತಿದ್ದರೆ, ಶಾರ್ಪನಿಂಗ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡಿ ಮತ್ತು ಹಾಲೋ ಅಥವಾ ಕಲಾಕೃತಿ ನಿಗ್ರಹವನ್ನು ಪರಿಶೀಲಿಸಿ. ಅನೇಕ ಪೈಪ್ಲೈನ್ಗಳಲ್ಲಿ, "ಕಡಿಮೆ" ಗೆಲ್ಲುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ನಂಬಲರ್ಹವಾದ ವಾಸ್ತವಿಕತೆಯನ್ನು ಸಂರಕ್ಷಿಸುತ್ತದೆ.
ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಮಾಡುವ ಮೊದಲು ಹಳೆಯ ಸ್ಕ್ಯಾನ್ಗಳನ್ನು ಅಥವಾ ಹೆಚ್ಚು JPEG- ಸಂಕುಚಿತ ಚಿತ್ರಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು
ಸಂಕುಚಿತ ಚಿತ್ರಗಳು ಕಷ್ಟಕರವಾಗಿವೆ ಏಕೆಂದರೆ ಮಾದರಿಗಳು ಬ್ಲಾಕ್ ಕಲಾಕೃತಿಗಳನ್ನು ನಿಜವಾದ ವಿನ್ಯಾಸವೆಂದು ಪರಿಗಣಿಸಬಹುದು ಮತ್ತು ಅವುಗಳನ್ನು ವರ್ಧಿಸಬಹುದು. ಸಾಮಾನ್ಯ ಕಾರ್ಯಪ್ರವಾಹವೆಂದರೆ ಕಲಾಕೃತಿ ತೆಗೆಯುವಿಕೆ ಅಥವಾ ಮೊದಲು ಡಿಬ್ಲಾಕಿಂಗ್ ಮಾಡುವುದು, ನಂತರ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಮಾಡುವುದು, ನಂತರ ಅಗತ್ಯವಿದ್ದರೆ ಮಾತ್ರ ಲಘುವಾಗಿ ಹರಿತಗೊಳಿಸುವುದು. ಸ್ಕ್ಯಾನ್ಗಳಿಗೆ, ಸೌಮ್ಯವಾದ ಶುಚಿಗೊಳಿಸುವಿಕೆಯು ಮಾದರಿಯು ಹಾನಿಗಿಂತ ನಿಜವಾದ ರಚನೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. "ನಕಲಿ ವಿನ್ಯಾಸ ಸೂಚನೆಗಳನ್ನು" ಕಡಿಮೆ ಮಾಡುವುದು ಗುರಿಯಾಗಿದೆ, ಆದ್ದರಿಂದ ಅಪ್ಸ್ಕೇಲರ್ ಗದ್ದಲದ ಇನ್ಪುಟ್ಗಳಿಂದ ಆತ್ಮವಿಶ್ವಾಸದ ಊಹೆಗಳನ್ನು ಮಾಡಲು ಒತ್ತಾಯಿಸಲ್ಪಡುವುದಿಲ್ಲ.
ಫೋಟೋ ಅಪ್ಸ್ಕೇಲಿಂಗ್ಗಿಂತ ವೀಡಿಯೊ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಏಕೆ ಕಷ್ಟ
ವೀಡಿಯೊ ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಒಂದು ಸ್ಟಿಲ್ ಇಮೇಜ್ನಲ್ಲಿ ಮಾತ್ರ ಉತ್ತಮವಾಗಿಲ್ಲ, ಫ್ರೇಮ್ಗಳಾದ್ಯಂತ ಸ್ಥಿರವಾಗಿರಬೇಕು. ವಿವರಗಳು ಫ್ರೇಮ್-ಟು-ಫ್ರೇಮ್ಗೆ ಮಿನುಗಿದರೆ, ಫಲಿತಾಂಶವು ವೇಗವಾಗಿ ಗಮನವನ್ನು ಬೇರೆಡೆ ಸೆಳೆಯುತ್ತದೆ. ವೀಡಿಯೊ-ಕೇಂದ್ರಿತ ವಿಧಾನಗಳು ಪುನರ್ನಿರ್ಮಾಣವನ್ನು ಸ್ಥಿರಗೊಳಿಸಲು ಮತ್ತು ಮಿನುಗುವ ಕಲಾಕೃತಿಗಳನ್ನು ತಪ್ಪಿಸಲು ನೆರೆಯ ಫ್ರೇಮ್ಗಳಿಂದ ತಾತ್ಕಾಲಿಕ ಮಾಹಿತಿಯನ್ನು ಬಳಸುತ್ತವೆ. ಅನೇಕ ಕಾರ್ಯಪ್ರವಾಹಗಳು ಡಿನೋಯಿಸ್, ಕೆಲವು ಮೂಲಗಳಿಗೆ ಡಿಇಂಟರ್ಲೇಸಿಂಗ್ ಮತ್ತು ಐಚ್ಛಿಕ ಧಾನ್ಯ ಮರುಪರಿಚಯವನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ, ಆದ್ದರಿಂದ ಇಡೀ ಅನುಕ್ರಮವು ಕೃತಕವಾಗಿ ತೀಕ್ಷ್ಣವಾಗಿರುವುದಕ್ಕಿಂತ ಒಗ್ಗಟ್ಟಾಗಿರುತ್ತದೆ.
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಸೂಕ್ತವಲ್ಲದಿದ್ದಾಗ ಅಥವಾ ಅವಲಂಬಿಸುವುದು ಅಪಾಯಕಾರಿಯಾದಾಗ
AI ಅಪ್ಸ್ಕೇಲಿಂಗ್ ಅನ್ನು ಪುರಾವೆಯಾಗಿ ಅಲ್ಲ, ವರ್ಧನೆಯಾಗಿ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಪತ್ರಿಕೋದ್ಯಮ, ಕಾನೂನು ಪುರಾವೆಗಳು, ವೈದ್ಯಕೀಯ ಚಿತ್ರಣ ಅಥವಾ ಫೋರೆನ್ಸಿಕ್ ಕೆಲಸದಂತಹ ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ, "ನಂಬಬಹುದಾದ" ಪಿಕ್ಸೆಲ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು ಏಕೆಂದರೆ ಅದು ಸೆರೆಹಿಡಿಯದ ವಿವರಗಳನ್ನು ಸೇರಿಸಬಹುದು. ಸುರಕ್ಷಿತ ಫ್ರೇಮಿಂಗ್ ಎಂದರೆ ಅದನ್ನು ವಿವರಣಾತ್ಮಕವಾಗಿ ಬಳಸುವುದು ಮತ್ತು AI ಪ್ರಕ್ರಿಯೆಯು ವಿವರವನ್ನು ಪುನರ್ನಿರ್ಮಿಸಿದೆ ಎಂದು ಬಹಿರಂಗಪಡಿಸುವುದು. ನಿಷ್ಠೆಯು ನಿರ್ಣಾಯಕವಾಗಿದ್ದರೆ, ಮೂಲಗಳನ್ನು ಸಂರಕ್ಷಿಸಿ ಮತ್ತು ಪ್ರತಿಯೊಂದು ಸಂಸ್ಕರಣಾ ಹಂತ ಮತ್ತು ಸೆಟ್ಟಿಂಗ್ ಅನ್ನು ದಾಖಲಿಸಿ.
ಉಲ್ಲೇಖಗಳು
-
arXiv - ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ಗಾಗಿ ಆಳವಾದ ಕಲಿಕೆ: ಒಂದು ಸಮೀಕ್ಷೆ - arxiv.org
-
arXiv - ಇಮೇಜ್ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಯೂಸಿಂಗ್ ಡೀಪ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (SRCNN) - arxiv.org
-
ಆರ್ಕ್ಸಿವ್ - ರಿಯಲ್-ಎಸ್ಆರ್ಗನ್ - arxiv.org
-
ಆರ್ಕ್ಸಿವ್ - ಎಸ್ಆರ್ಜಿಎಎನ್ - arxiv.org
-
ಆರ್ಕ್ಸಿವ್ - SR3 - arxiv.org
-
NVIDIA ಡೆವಲಪರ್ - NVIDIA DLSS - developer.nvidia.com
-
AMD GPUOpen - FidelityFX ಸೂಪರ್ ರೆಸಲ್ಯೂಷನ್ 2 - gpuopen.com
-
ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಫೌಂಡೇಶನ್ (CVF) ಓಪನ್ ಆಕ್ಸೆಸ್ - ಬೇಸಿಕ್ವಿಎಸ್ಆರ್: ವಿಡಿಯೋ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ನಲ್ಲಿ ಅಗತ್ಯ ಘಟಕಗಳಿಗಾಗಿ ಹುಡುಕಾಟ (CVPR 2021) - openaccess.thecvf.com
-
arXiv - ಜನರೇಟಿವ್ ಅಡ್ವರ್ಸರಿಯಲ್ ನೆಟ್ವರ್ಕ್ಗಳು - arxiv.org
-
ಆರ್ಕ್ಸಿವ್ - ಎಸ್ಆರ್ಜಿಎಎನ್ - arxiv.org
-
arXiv - ಗ್ರಹಿಕೆಯ ನಷ್ಟಗಳು (ಜಾನ್ಸನ್ ಮತ್ತು ಇತರರು, 2016) - arxiv.org
-
GitHub - Real-ESRGAN ರೆಪೊ (ಟೈಲ್ ಆಯ್ಕೆಗಳು) - github.com
-
ವಿಕಿಪೀಡಿಯಾ - ಬೈಕ್ಯುಬಿಕ್ ಇಂಟರ್ಪೋಲೇಷನ್ - wikipedia.org
-
ಟೋಪಾಜ್ ಲ್ಯಾಬ್ಸ್ - ಟೋಪಾಜ್ ಫೋಟೋ - topazlabs.com
-
ಟೋಪಾಜ್ ಲ್ಯಾಬ್ಸ್ - ಟೋಪಾಜ್ ವಿಡಿಯೋ - topazlabs.com
-
ಅಡೋಬ್ ಸಹಾಯ ಕೇಂದ್ರ - ಅಡೋಬ್ ಎನ್ಹಾನ್ಸ್ > ಸೂಪರ್ ರೆಸಲ್ಯೂಷನ್ - helpx.adobe.com
-
NIST / OSAC - ಫೋರೆನ್ಸಿಕ್ ಡಿಜಿಟಲ್ ಇಮೇಜ್ ನಿರ್ವಹಣೆಗೆ ಪ್ರಮಾಣಿತ ಮಾರ್ಗದರ್ಶಿ (ಆವೃತ್ತಿ 1.0) - nist.gov
-
SWGDE - ಫೋರೆನ್ಸಿಕ್ ಇಮೇಜ್ ವಿಶ್ಲೇಷಣೆಗೆ ಮಾರ್ಗಸೂಚಿಗಳು - swgde.org