江苏龙网

  1. 首页 > 资讯 > 科技 > >

机器之心不用穿越，也能体验百年前的老北京，这个AI修复视频火爆全网( 二 )


DAIN 架构图 。 给出两个输入帧 ， DAIN 首先估计其光流和深度图 ， 并使用深度感知光流投影层来生成中间流；然后采用自适应变形层（adaptive warping layer） ， 基于光流和空间变化的插值 kernel 对输入帧、深度图和语境特征进行变形处理；最后 ， 使用帧合成网络生成输出帧 。
4K 分辨率
自从 1998 年第一台高清电视投入市场以来 ， “高清”一直是技术追逐的方向之一 。 简单罗列几个数字 ， 老式标清电视的分辨率仅为 720x480 ， 也就是说一次可显示的内容为 345,600 像素 。 高清电视的分辨率为 1920x1080 ， 总像素为 2,073,600 ， 是标清的 6 倍 ， 而 4K 的 3840×2160 分辨率则需要 8294,400 像素 。
简单而言 ， 视频修复过程至少需要额外填充 600 万像素来适应 4K 高清分辨率 ， 而这种 “插值” 过程正是 AI 技术的用武之地 ， 所补充显示的内容皆是基于相邻周边像素所呈现的内容 。 “插值”过程本质上是一种猜谜游戏 ， 如果让卷积神经网络这类 AI 技术去发号施令的话会有更优质的反馈效果 。
在此展示中 ， Denis 通过 Gigapixel AI 软件将分辨率提升至 4K ， 该产品由 Topaz Labs 开发 ， 目前已进入到成熟的商业阶段 。 研发之初是为了帮助摄影师在不丢失任何细节的情况下将照片质量提升 6 倍 ， 将该技术产品化的过程中发现将其应用至视频是完全可行的 。 不过值得一提是 ， 渲染几秒钟的视频可能需要几个小时的处理时间 ， 感兴趣的朋友可以一试 。
DeOldify 着色模型
而在着色上 ， 相信社区的大部分读者都知道一个基于 GAN 的图像着色模型 DeOldify 。 通过下面的对比图 ， 我们可以看到该模型的效果 。
机器之心不用穿越，也能体验百年前的老北京，这个AI修复视频火爆全网
本文插图

DeOldify 基于生成对抗网络 ， 由深度学习研究员 Jason Antic 开发并维护 。 自从 2018 年项目开启以来 ， DeOldify 已经进行了多次迭代 。
如果读者们想要尝试 ， 通过以下链接可直接安装使用 。
项目地址：https://github.com/jantic/DeOldify
Colab：https://colab.research.google.com/github/jantic/DeOldify/blob/master/ImageColorizerColab.ipynb
数字修复中的 AI 技术应用要比想像的多
上述图像分辨率补充、FPS 提升、色彩填充是数字修复大方向下的三个子环节 ， 而整个影像修复技术处处可见人工智能的身影 。
以图像修复为例 ， 一般步骤为：输入图像 ， 检测画面信息及获得画面所有像素并识别受损区域 ， 计算受损区域的像素点优先项 ， 确定优先项最高的为待修复像素块 ， 计算源区域中的匹配块与待修复区域的误差 ， 确定误差值最小的为最佳匹配 ， 进行填充和修复 ， 检测损伤区域是否全部修复 ， 若已修复则输出图像 。
机器之心不用穿越，也能体验百年前的老北京，这个AI修复视频火爆全网
本文插图

而对视频修复而言 ， 它是基于图像修复演变而来的 ， 也同样是逐帧修复 ， 所以其流程与图像修复类似 。
至于图像分辨率提升环节 ， Denis 通过 Gigapixel AI 软件进行处理 。 而实际情况中图像分辨率提升以及图像超分辨率的解决涉及到许多技术细节 ， 如图像配准、图像分割、图像压缩、图像特征提取、图像质量评估等等 。 而这些子方向的研究在各大 AI 学术顶会上频频可见 。 类似地 ， 通过机器学习方法从训练样本集中提取视频中的高频信息模型 ， 从而对填充所需信息进行合理预测 ， 达到提升视频图像分辨率的目的 ， 这样相似的思路层出不穷 。
从应用方面来看 ， 高清设备的普及使得对早期的游戏及电影进行重制成为一大需求 ， 图像修复 ， 图像超分辨率等众多修复技术的发展也为该市场提供了一个可持续的解决思路 。


推荐阅读


上一篇：快科技AMD锐龙7 4700G现身《奇点灰烬》基准库：确认8核16线程

下一篇：搜狐新闻旧物改造：毕亚兹 USB3.0转SATA转换器让硬盘换新颜