சுருக்கமான பதில்: செயற்கை நுண்ணறிவு மேம்படுத்தல் (AI upscaling) என்பது, குறைந்த மற்றும் உயர் தெளிவுத்திறன் கொண்ட இணைக்கப்பட்ட படங்களில் ஒரு மாதிரியைப் பயிற்றுவித்து, பின்னர் மேம்படுத்தலின் போது நம்பத்தகுந்த கூடுதல் பிக்சல்களைக் கணிக்க அதைப் பயன்படுத்துவதன் மூலம் செயல்படுகிறது. பயிற்சியின் போது அந்த மாதிரி ஒத்த அமைப்புகளையோ அல்லது முகங்களையோ பார்த்திருந்தால், அதனால் நம்பத்தகுந்த விவரங்களைச் சேர்க்க முடியும்; இல்லையெனில், அது ஒளிவட்டங்கள், மெழுகு போன்ற தோல் அல்லது காணொளியில் ஏற்படும் சிமிட்டல் போன்ற செயற்கையான தோற்றங்களை "மாயத்தோற்றமாக" உருவாக்கக்கூடும்.
முக்கிய குறிப்புகள்:
கணிப்பு: இந்த மாதிரியானது நம்பத்தகுந்த விவரங்களை உருவாக்குகிறது, யதார்த்தத்தின் உத்தரவாதமான மறுகட்டமைப்பை அல்ல.
மாதிரி தேர்வு: CNNகள் நிலையாக இருக்கும்; GANகள் கூர்மையாகத் தோன்றலாம் ஆனால் அம்சங்களைக் கண்டுபிடிக்கும் அபாயம் உள்ளது.
செயற்கைத்தன்மை சோதனைகள்: ஒளிவட்டங்கள், மீண்டும் மீண்டும் வரும் அமைப்புகள், “கிட்டத்தட்ட எழுத்துகள்” மற்றும் பிளாஸ்டிக் போன்ற முகங்கள் ஆகியவற்றைக் கவனிக்கவும்.
வீடியோ நிலைத்தன்மை: டெம்போரல் முறைகளைப் பயன்படுத்தவும், இல்லையெனில் ஒவ்வொரு ஃபிரேமிலும் நடுக்கமும் விலகலும் ஏற்படும்.
அதிக பங்கு பயன்பாடு: துல்லியம் முக்கியம் என்றால், செயலாக்கத்தை வெளிப்படுத்தி முடிவுகளை விளக்கமாகக் கருதுங்கள்.
நீங்கள் இதைப் பார்த்திருக்கலாம்: ஒரு சிறிய, மொறுமொறுப்பான படம், அச்சடிக்கவோ, ஸ்ட்ரீம் செய்யவோ அல்லது ஒரு விளக்கக்காட்சியில் சிரிக்காமல் விடவோ போதுமான அளவு தெளிவான ஒன்றாக மாறும். இது ஏமாற்றுவது போல் உணர்கிறது. மேலும் - சிறந்த முறையில் - அது ஒருவிதத்தில் 😅
ஆகவே, AI அப்ஸ்கேலிங் செயல்படும் விதம் என்பது, “கணினி விவரங்களை மேம்படுத்துகிறது” (மேலோட்டமான விளக்கம்) என்பதை விட, “ஒரு மாடல், ஏராளமான எடுத்துக்காட்டுகளிலிருந்து கற்றுக்கொண்ட வடிவங்களின் அடிப்படையில், நம்பத்தகுந்த உயர்-தெளிவுத்திறன் கட்டமைப்பைக் கணிக்கிறது” (பட மீ-தெளிவுத்திறனுக்கான ஆழ்நிலைக் கற்றல்: ஒரு ஆய்வு) என்பதற்கே நெருக்கமாகப் பொருந்துகிறது. அந்தக் கணிப்புப் படிநிலைதான் முழு விஷயமும் ஆகும் - அதனால்தான் AI அப்ஸ்கேலிங் பார்ப்பதற்குப் பிரமிப்பாகவோ... அல்லது சற்றே செயற்கையாகவோ... அல்லது உங்கள் பூனைக்குக் கூடுதலாக மீசை முளைத்தது போலவோ தோற்றமளிக்கிறது.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 AI எவ்வாறு செயல்படுகிறது
AI இல் மாதிரிகள், தரவு மற்றும் அனுமானத்தின் அடிப்படைகளைக் கற்றுக்கொள்ளுங்கள்.
🔗 AI எவ்வாறு கற்றுக்கொள்கிறது
பயிற்சி தரவு மற்றும் கருத்து காலப்போக்கில் மாதிரி செயல்திறனை எவ்வாறு மேம்படுத்துகிறது என்பதைப் பாருங்கள்.
🔗 AI எவ்வாறு முரண்பாடுகளைக் கண்டறிகிறது
அடிப்படை வடிவங்களையும், அசாதாரண நடத்தையை AI எவ்வாறு விரைவாகக் குறிக்கிறது என்பதையும் புரிந்து கொள்ளுங்கள்.
🔗 போக்குகளை AI எவ்வாறு கணிக்கிறது
சமிக்ஞைகளைக் கண்டறிந்து எதிர்கால தேவையை எதிர்பார்க்கும் முன்னறிவிப்பு முறைகளை ஆராயுங்கள்.
AI அப்ஸ்கேலிங் எவ்வாறு செயல்படுகிறது: முக்கிய யோசனை, அன்றாட வார்த்தைகளில் 🧩
அப்ஸ்கேலிங் என்பது தெளிவுத்திறனை அதிகரிப்பதாகும்: அதாவது, அதிக பிக்சல்கள், பெரிய படம். பாரம்பரிய அப்ஸ்கேலிங் (பைக்கூபிக் போன்றது) அடிப்படையில் பிக்சல்களை நீட்டி, இடைமாற்றங்களை மென்மையாக்குகிறது ( பைக்கூபிக் இன்டர்போலேஷன் ). அது நல்லதுதான், ஆனால் அதனால் புதிய நுணுக்கங்களை உருவாக்க முடியாது - அது வெறும் இடைச்செருகல் மட்டுமே செய்கிறது.
செயற்கை நுண்ணறிவு மேம்படுத்தல் இன்னும் துணிச்சலான ஒன்றை முயற்சிக்கிறது (ஆராய்ச்சி உலகில் இது “சூப்பர்-ரெசல்யூஷன்” என அழைக்கப்படுகிறது) (பட சூப்பர்-ரெசல்யூஷனுக்கான ஆழ்நிலைக் கற்றல்: ஒரு ஆய்வு):
-
இது குறைந்த தெளிவுத்திறன் உள்ளீட்டைப் பார்க்கிறது
-
வடிவங்களை (விளிம்புகள், இழைமங்கள், முக அம்சங்கள், உரை ஸ்ட்ரோக்குகள், துணி நெசவு...) அங்கீகரிக்கிறது
-
உயர் தெளிவுத்திறன் கொண்ட பதிப்பு எப்படி இருக்க வேண்டும் என்பதைக் கணிக்கும்
-
அந்த வடிவங்களுக்கு பொருந்தக்கூடிய கூடுதல் பிக்சல் தரவை உருவாக்குகிறது
"உண்மையை கச்சிதமாக மீட்டெடுப்பது" என்பதல்ல, மாறாக "மிகவும் நம்பத்தகுந்த ஒரு யூகத்தை உருவாக்குவது" (ஆழ் சுருள்வலைகளைப் பயன்படுத்தி பட மீத்தீர்மானம் (SRCNN)). இது சற்றே சந்தேகமாகத் தோன்றினால், நீங்கள் சொல்வது தவறல்ல - ஆனால் அதனால்தான் இது இவ்வளவு சிறப்பாகச் செயல்படுகிறது 😄
ஆம், இதன் பொருள் AI மேம்பாடு என்பது அடிப்படையில் கட்டுப்படுத்தப்பட்ட மாயத்தோற்றம்... ஆனால் உற்பத்தித் திறன் கொண்ட, பிக்சல்களை மதிக்கும் வகையில்.
AI மேம்பாட்டிற்கான ஒரு நல்ல பதிப்பை உருவாக்குவது எது? ✅🛠️
நீங்கள் ஒரு AI அப்ஸ்கேலரை (அல்லது ஒரு அமைப்பு முன்னமைவை) மதிப்பிடுகிறீர்கள் என்றால், இங்கே மிகவும் முக்கியமானது:
-
அதிகமாக சமைக்காமல் விரிவான மீட்பு
நல்ல மேம்பாடு மொறுமொறுப்பான சத்தம் அல்லது போலி துளைகளை அல்ல, மிருதுவான தன்மையையும் அமைப்பையும் சேர்க்கிறது. -
விளிம்பு ஒழுங்கு
சுத்தமான கோடுகள் சுத்தமாக இருக்கும். மோசமான மாதிரிகள் விளிம்புகளை அசைக்கவோ அல்லது ஒளிவட்டங்களை முளைக்கவோ செய்கின்றன. -
இழையமைப்பு யதார்த்தம்:
முடி ஒரு தூரிகைக் கோடாக மாறிவிடக் கூடாது. செங்கல், திரும்பத் திரும்ப வரும் ஒரு முத்திரையாக மாறிவிடக் கூடாது. -
இரைச்சல் மற்றும் சுருக்கத்தைக் கையாளுதல்: அன்றாடப் படங்கள் பலவும் அளவுக்கு அதிகமாக JPEG மயமாக்கப்படுகின்றன. ஒரு நல்ல அப்ஸ்கேலர் ( Real-ESRGAN ) அந்தச் சேதத்தைப் பெரிதாக்குவதில்லை
-
முகம் மற்றும் உரை விழிப்புணர்வு
முகங்களும் உரையும் தவறுகளைக் கண்டறிய எளிதான இடங்கள். நல்ல மாதிரிகள் அவற்றை மெதுவாக நடத்துகின்றன (அல்லது சிறப்பு முறைகளைக் கொண்டுள்ளன). -
பிரேம்களுக்கு இடையே நிலைத்தன்மை (வீடியோவிற்கு)
விவரங்கள் பிரேமிலிருந்து பிரேமிற்கு மினுமினுத்தால், உங்கள் கண்கள் அலறும். வீடியோ அப்ஸ்கேலிங் தற்காலிக நிலைத்தன்மையால் வாழ்கிறது அல்லது இறக்கிறது (BasicVSR (CVPR 2021)). -
பொருத்தமான கட்டுப்பாடுகள்
. இரைச்சலைக் குறைத்தல், மங்கலை நீக்குதல், செயற்கைப் பண்புகளை அகற்றுதல், துகள்நிலைகளைத் தக்கவைத்தல், கூர்மையாக்குதல் போன்ற நடைமுறை சார்ந்த விஷயங்கள் போன்ற உண்மையான விளைவுகளுக்கு ஏற்ற ஸ்லைடர்களை நீங்கள் விரும்புவீர்கள்.
அமைதியான விதி ஒன்று நிலைத்திருக்கிறது: "சிறந்த" அளவிடுதல் என்பது பெரும்பாலும் நீங்கள் கவனிக்காத ஒன்றுதான். 📷✨ உடன் தொடங்குவதற்கு உங்களிடம் ஒரு சிறந்த கேமரா இருப்பது போல் தெரிகிறது
ஒப்பீட்டு அட்டவணை: பிரபலமான AI மேம்பாடு விருப்பங்கள் (மற்றும் அவை எதற்கு நல்லது) 📊🙂
கீழே ஒரு நடைமுறை ஒப்பீடு உள்ளது. விலைகள் வேண்டுமென்றே தெளிவற்றவை, ஏனெனில் கருவிகள் உரிமம், தொகுப்புகள், கணக்கீட்டு செலவுகள் மற்றும் அனைத்து வேடிக்கையான விஷயங்களாலும் மாறுபடும்.
| கருவி / அணுகுமுறை | சிறந்தது | விலை நிலவரம் | இது ஏன் வேலை செய்கிறது (தோராயமாக) |
|---|---|---|---|
| டோபஸ்-பாணி டெஸ்க்டாப் அப்ஸ்கேலர்கள் (டோபஸ் புகைப்படம், டோபஸ் வீடியோ) | புகைப்படங்கள், வீடியோ, எளிதான பணிப்பாய்வு | பணம் செலுத்திய | வலுவான பொதுவான மாதிரிகள் + நிறைய டியூனிங், "வேலை செய்யும்" முனைகிறது... பெரும்பாலும் |
| அடோபி “சூப்பர் ரெசல்யூஷன்” வகை அம்சங்கள் (அடோபி என்ஹான்ஸ் > சூப்பர் ரெசல்யூஷன்) | அந்தச் சூழலமைப்பில் ஏற்கனவே உள்ள புகைப்படக் கலைஞர்கள் | சந்தா-y | திடமான விவர மறுகட்டமைப்பு, பொதுவாக பழமைவாத (குறைவான நாடகம்) |
| ரியல்-ESRGAN / ESRGAN வகைகள் (ரியல்-ESRGAN, ESRGAN) | DIY, டெவலப்பர்கள், தொகுதி வேலைகள் | இலவசம் (ஆனால் நேரச் செலவு அதிகம்) | அமைப்பு விவரங்களில் சிறந்தது, கவனமாக இல்லாவிட்டால் முகங்களில் காரமாக இருக்கலாம் |
| பரவல் அடிப்படையிலான மேல்நோக்கி அளவிடுதல் முறைகள் (SR3) | படைப்பு வேலை, பகட்டான முடிவுகள் | கலப்பு | அழகான விவரங்களை உருவாக்க முடியும் - முட்டாள்தனத்தையும் கண்டுபிடிக்க முடியும், அதனால்... ஆமாம் |
| கேம் அப்ஸ்கேலர்கள் (DLSS/FSR-பாணி) (NVIDIA DLSS, AMD FSR 2) | நிகழ்நேர கேமிங் மற்றும் ரெண்டரிங் | தொகுக்கப்பட்டது | இயக்கத் தரவு மற்றும் கற்றறிந்த முன்னோடிகளைப் பயன்படுத்துகிறது - சீரான செயல்திறன் வெற்றி 🕹️ |
| கிளவுட் அப்ஸ்கேலிங் சேவைகள் | வசதி, விரைவான வெற்றிகள் | பயன்பாட்டிற்கு பணம் செலுத்துதல் | வேகமான + அளவிடக்கூடியது, ஆனால் நீங்கள் கட்டுப்பாட்டையும் சில நேரங்களில் நுணுக்கத்தையும் பரிமாறிக் கொள்கிறீர்கள் |
| வீடியோவை மையமாகக் கொண்ட AI அப்ஸ்கேலர்கள் (BasicVSR, Topaz Video) | பழைய காட்சிகள், அனிம், காப்பகங்கள் | பணம் செலுத்திய | ஃப்ளிக்கரைக் குறைப்பதற்கான தற்காலிக தந்திரங்கள் + சிறப்பு வீடியோ மாதிரிகள் |
| "ஸ்மார்ட்" தொலைபேசி/கேலரி மேம்பாடு | சாதாரண பயன்பாடு | சேர்க்கப்பட்டுள்ளது | இலகுரக மாதிரிகள் முழுமையான வெளியீட்டிற்காக அல்ல, மகிழ்ச்சியான வெளியீட்டிற்காக டியூன் செய்யப்பட்டுள்ளன (இன்னும் எளிது) |
வினோதமான ஒப்புதல் வாக்குமூலத்தை வடிவமைத்தல்: "கட்டண அடிப்படையில்" அந்த அட்டவணையில் நிறைய வேலை செய்கிறது. ஆனால் உங்களுக்கு யோசனை புரிகிறது 😅
பெரிய ரகசியம்: மாடல்கள் குறைந்த தெளிவுத்திறனில் இருந்து அதிக தெளிவுத்திறனுக்கு மேப்பிங்கைக் கற்றுக்கொள்கின்றன 🧠➡️🖼️
பெரும்பாலான AI மேம்பாட்டின் மையத்தில் மேற்பார்வையிடப்பட்ட கற்றல் அமைப்பு உள்ளது (ஆழமான மாற்ற நெட்வொர்க்குகளைப் பயன்படுத்தி பட சூப்பர்-தெளிவுத்திறன் (SRCNN)):
-
உயர் தெளிவுத்திறன் கொண்ட படங்களுடன் ("உண்மை") தொடங்குங்கள்
-
அவற்றை குறைந்த தெளிவுத்திறன் கொண்ட பதிப்புகளுக்கு ("உள்ளீடு") குறைக்கவும்
-
குறைந்த தெளிவுத்திறனில் இருந்து அசல் உயர் தெளிவுத்திறனை மீண்டும் உருவாக்க ஒரு மாதிரியைப் பயிற்றுவிக்கவும்
காலப்போக்கில், மாதிரி இது போன்ற தொடர்புகளைக் கற்றுக்கொள்கிறது:
-
"கண்ணைச் சுற்றியுள்ள இந்த வகையான மங்கலானது பொதுவாக கண் இமைகளுக்குச் சொந்தமானது"
-
"இந்த பிக்சல் கிளஸ்டர் பெரும்பாலும் செரிஃப் உரையைக் குறிக்கிறது"
-
"இந்த விளிம்பு சாய்வு ஒரு கூரைக் கோடு போல் தெரிகிறது, சீரற்ற சத்தம் போல் இல்லை"
இது குறிப்பிட்ட படங்களை மனப்பாடம் செய்வது அல்ல (எளிய அர்த்தத்தில்), இது புள்ளிவிவரக் கட்டமைப்பைக் கற்றுக்கொள்வதாகும் (பட மீத்தீர்மானத்திற்கான ஆழ்நிலைக் கற்றல்: ஒரு ஆய்வு). இதை, இழையமைப்புகள் மற்றும் விளிம்புகளின் இலக்கணத்தைக் கற்றுக்கொள்வது போல நினைத்துப் பாருங்கள். கவிதை இலக்கணம் அல்ல, மாறாக... IKEA கையேடு இலக்கணம் 🪑📦 (சற்றுப் பொருத்தமற்ற உருவகம், ஆனாலும் ஏறக்குறைய அதுவேதான்).
நட்ஸ் மற்றும் போல்ட்கள்: அனுமானத்தின் போது என்ன நடக்கும் (நீங்கள் மேல்நோக்கிச் செல்லும்போது) ⚙️✨
நீங்கள் ஒரு படத்தை AI அப்ஸ்கேலரில் ஊட்டும்போது, பொதுவாக இது போன்ற ஒரு குழாய் இருக்கும்:
-
முன் செயலாக்கம்
-
வண்ண இடத்தை மாற்றவும் (சில நேரங்களில்)
-
பிக்சல் மதிப்புகளை இயல்பாக்குதல்
-
படம் பெரியதாக இருந்தால் அதைத் துண்டுகளாகப் பிரிக்கவும் (VRAM யதார்த்தச் சோதனை 😭) (Real-ESRGAN ரெப்போ (டைல் விருப்பங்கள்))
-
-
அம்சப் பிரித்தெடுத்தல்
-
ஆரம்ப அடுக்குகள் விளிம்புகள், மூலைகள், சாய்வுகளைக் கண்டறிகின்றன
-
ஆழமான அடுக்குகள் வடிவங்களைக் கண்டறிகின்றன: இழைமங்கள், வடிவங்கள், முக கூறுகள்
-
-
மறுகட்டமைப்பு
-
இந்த மாதிரி உயர் தெளிவுத்திறன் கொண்ட அம்ச வரைபடத்தை உருவாக்குகிறது
-
பின்னர் அதை உண்மையான பிக்சல் வெளியீடாக மாற்றுகிறது
-
-
செயலாக்கத்திற்குப் பிறகு
-
விருப்ப கூர்மைப்படுத்தல்
-
விருப்பத்தேர்வு இரைச்சல் நீக்கம்
-
விருப்ப கலைப்பொருள் அடக்குதல் (வளையம், ஒளிவட்டம், அடைப்பு)
-
ஒரு நுட்பமான விவரம்: பல கருவிகள் ஓடுகளில் உயர்ரகமாகி, பின்னர் தையல்களைக் கலக்கின்றன. சிறந்த கருவிகள் ஓடு எல்லைகளை மறைக்கின்றன. நீங்கள் கண் சிமிட்டினால் மெஹ் கருவிகள் மங்கலான கட்டக் குறிகளை விட்டுச்செல்கின்றன. ஆம், நீங்கள் கண் சிமிட்டுவீர்கள், ஏனென்றால் மனிதர்கள் சிறிய கிரெம்லின்களைப் போல 300% ஜூமில் சிறிய குறைபாடுகளை ஆய்வு செய்வதை விரும்புகிறார்கள் 🧌
AI மேம்பாட்டிற்குப் பயன்படுத்தப்படும் முக்கிய மாதிரி குடும்பங்கள் (மற்றும் அவை ஏன் வித்தியாசமாக உணர்கின்றன) 🤖📚
1) CNN-அடிப்படையிலான சூப்பர்-ரெசல்யூஷன் (கிளாசிக் வொர்க்ஹார்ஸ்)
விளிம்புகள், இழைமங்கள், சிறிய கட்டமைப்புகள் ( ஆழமான மாற்ற நெட்வொர்க்குகளைப் பயன்படுத்தி பட சூப்பர்-தெளிவுத்திறன் (SRCNN) ) போன்ற உள்ளூர் வடிவங்களில் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் சிறந்தவை .
-
நன்மை: வேகமானது, நிலையானது, குறைவான ஆச்சரியங்கள்
-
பாதகம்: கடுமையாக அழுத்தினால் கொஞ்சம் "பதப்படுத்தப்பட்டதாக" இருக்கும்
2) GAN-அடிப்படையிலான உயர் அளவிடுதல் (ESRGAN-பாணி) 🎭
GANகள் (ஜெனரேட்டிவ் அட்வர்சேரியல் நெட்வொர்க்குகள்), ஒரு டிஸ்கிரிமினேட்டரால் உண்மையான படங்களிலிருந்து வேறுபடுத்தி அறிய முடியாத உயர்-தெளிவுத்திறன் கொண்ட படங்களை உருவாக்க ஒரு ஜெனரேட்டருக்குப் பயிற்சி அளிக்கின்றன (ஜெனரேட்டிவ் அட்வர்சேரியல் நெட்வொர்க்குகள்).
-
நன்மை: கூர்மையான விவரம், ஈர்க்கக்கூடிய அமைப்பு
-
குறைகள்: இல்லாத விவரத்தை உருவாக்கக்கூடும் - சில சமயங்களில் தவறாகவும், சில சமயங்களில் நம்பமுடியாததாகவும் இருக்கும் (எஸ்.ஆர்.ஜி.ஏ.என், இ.எஸ்.ஆர்.ஜி.ஏ.என்)
ஒரு GAN உங்களுக்கு மூச்சுத் திணறல் தரும் கூர்மையை அளிக்கும். இது உங்கள் உருவப்படப் பொருளுக்கு கூடுதல் புருவத்தையும் அளிக்கும். எனவே... உங்கள் போர்களைத் தேர்ந்தெடுங்கள் 😬
3) பரவல் அடிப்படையிலான மேம்பாடு (படைப்பு வைல்ட் கார்டு) 🌫️➡️🖼️
பரவல் மாதிரிகள் படிப்படியாக இரைச்சலை நீக்குகின்றன, மேலும் உயர்-தெளிவுத்திறன் விவரத்தை (SR3) உருவாக்க வழிகாட்டப்படலாம்.
-
நன்மை: நம்பத்தகுந்த விவரங்களில், குறிப்பாக படைப்புப் பணிகளுக்கு, மிகவும் சிறப்பாக இருக்கும்
-
பாதகம்: அமைப்புகள் ஆக்ரோஷமாக இருந்தால் அசல் அடையாளம்/கட்டமைப்பிலிருந்து விலகிச் செல்லலாம் (SR3)
இங்குதான் "அப்ஸ்கேலிங்" "மறுகற்பனை" உடன் கலக்கத் தொடங்குகிறது. சில நேரங்களில் நீங்கள் விரும்புவது அதுதான். சில நேரங்களில் அது இல்லை.
4) தற்காலிக நிலைத்தன்மையுடன் வீடியோ மேம்பாடு 🎞️
வீடியோ மேம்பாடு பெரும்பாலும் இயக்க விழிப்புணர்வு தர்க்கத்தைச் சேர்க்கிறது:
-
விவரங்களை நிலைப்படுத்த அருகிலுள்ள பிரேம்களைப் பயன்படுத்துகிறது (BasicVSR (CVPR 2021))
-
மினுமினுப்பு மற்றும் ஊர்ந்து செல்லும் கலைப்பொருட்களைத் தவிர்க்க முயற்சிக்கிறது
-
பெரும்பாலும் சூப்பர்-ரெசல்யூஷனை டீனாய்ஸ் மற்றும் டீன்டர்லேசிங்குடன் இணைக்கிறது (டோபஸ் வீடியோ)
படத்தை மேம்படுத்துவது ஒரு ஓவியத்தை மீட்டெடுப்பது போன்றது என்றால், வீடியோ மேம்படுத்துவது என்பது கதாபாத்திரத்தின் மூக்கை ஒவ்வொரு பக்கத்திலும் மாற்றாமல் ஒரு ஃபிளிப் புக்கை மீட்டெடுப்பது போன்றது. இது... அது சொல்வதை விட கடினமானது.
AI அப்ஸ்கேலிங் சில நேரங்களில் போலியாகத் தெரிவது ஏன் (மற்றும் அதை எப்படிக் கண்டறிவது) 👀🚩
AI அப்ஸ்கேலிங் அடையாளம் காணக்கூடிய வழிகளில் தோல்வியடைகிறது. நீங்கள் வடிவங்களைக் கற்றுக்கொண்டவுடன், அவற்றை எல்லா இடங்களிலும் காண்பீர்கள், ஒரு புதிய காரை வாங்குவது போல, திடீரென்று ஒவ்வொரு தெருவிலும் அந்த மாதிரியைக் கவனிப்பது போல 😵💫
பொதுவானது கூறுகிறது:
-
மெழுகுத் தோல் (அதிகப்படியான சத்தம் நீக்கம் + மென்மையாக்குதல்)
-
அதிகப்படியாகக் கூர்மையாக்கப்பட்ட ஒளிவட்டங்கள் (வழக்கமான “மீறல்” பகுதி) (இருபடி இடைச்செருகல்)
-
மீண்டும் மீண்டும் இழைமங்கள் (செங்கல் சுவர்கள் நகல்-ஒட்டு வடிவங்களாக மாறும்)
-
"அல்காரிதம்" என அப்பட்டமாகத் தெரியும் மொறுமொறுப்பான நுண்-மாறுபாடு
-
எழுத்துக்கள் கிட்டத்தட்ட எழுத்துக்களாக மாறும் (மிக மோசமான வகை) உரை சிதைவு.
-
விவர நகர்வு , குறிப்பாக பரவல் பணிப்பாய்வுகளில் (SR3)
இதில் தந்திரமான விஷயம் என்னவென்றால்: சில நேரங்களில் இந்த கலைப்பொருட்கள் ஒரு பார்வையில் "சிறப்பாக" தோன்றும். உங்கள் மூளை கூர்மையை விரும்புகிறது. ஆனால் ஒரு கணம் கழித்து, அது ... செயலற்றதாக உணர்கிறது.
ஒரு நல்ல தந்திரம் என்னவென்றால், சாதாரண பார்வை தூரத்தில் அது இயல்பாகத் தெரிகிறதா என்று பெரிதாக்கி சரிபார்ப்பது. 400% ஜூமில் மட்டும் நன்றாகத் தெரிந்தால், அது ஒரு வெற்றி அல்ல, அது ஒரு பொழுதுபோக்கு 😅
AI அப்ஸ்கேலிங் எவ்வாறு செயல்படுகிறது: கணிதத் தலைவலி இல்லாமல் பயிற்சி பக்கம் 📉🙂
சூப்பர்-ரெசல்யூஷன் மாதிரிகளைப் பயிற்றுவிப்பது பொதுவாக பின்வருவனவற்றை உள்ளடக்குகிறது:
-
இணைக்கப்பட்ட தரவுத்தொகுப்புகள் (குறைந்த-தெளிவுத்திறன் உள்ளீடு, உயர்-தெளிவுத்திறன் இலக்கு) (ஆழமான மாற்ற நெட்வொர்க்குகளைப் பயன்படுத்தி பட சூப்பர்-தெளிவுத்திறன் (SRCNN))
-
தவறான மறுகட்டமைப்புகளைத் தண்டிக்கும் இழப்பு செயல்பாடுகள் ( SRGAN )
வழக்கமான இழப்பு வகைகள்:
-
பிக்சல் இழப்பு (L1/L2)
துல்லியத்தை ஊக்குவிக்கிறது. சற்று மென்மையான முடிவுகளைத் தரக்கூடும். -
புலனுணர்வு இழப்பு என்பது
, "இது ஒரே மாதிரியாகத் தெரிகிறதா" என்பது போன்ற ஆழமான அம்சங்களை ஒப்பிடுகிறது ( புலனுணர்வுஇழப்புகள் (ஜான்சன் மற்றும் பலர், 2016)). -
எதிர்விளைவு இழப்பு (GAN) யதார்த்தத்தை ஊக்குவிக்கிறது, சில நேரங்களில் நேரடி துல்லியத்தை ( SRGAN , ஜெனரேட்டிவ் எதிர்விளைவு நெட்வொர்க்குகள் ) விலையாகக் கொடுக்கும் .
தொடர்ந்து ஒரு இழுபறி நிலவுகிறது:
-
அசல் vs. க்கு உண்மையாக இருங்கள்
-
பார்வைக்கு அழகாக்குங்கள்
அந்த நிறமாலையில் வெவ்வேறு இடங்களில் வெவ்வேறு கருவிகள் தரையிறங்குகின்றன. மேலும் நீங்கள் குடும்ப புகைப்படங்களை மீட்டெடுக்கிறீர்களா அல்லது தடயவியல் துல்லியத்தை விட "அழகாக இருப்பது" முக்கியம் என்று ஒரு சுவரொட்டியைத் தயாரிக்கிறீர்களா என்பதைப் பொறுத்து ஒன்றை நீங்கள் விரும்பலாம்.
நடைமுறை பணிப்பாய்வுகள்: புகைப்படங்கள், பழைய ஸ்கேன்கள், அனிம் மற்றும் வீடியோ 📸🧾🎥
புகைப்படங்கள் (உருவப்படங்கள், நிலப்பரப்புகள், தயாரிப்பு புகைப்படங்கள்)
சிறந்த நடைமுறை பொதுவாக:
-
முதலில் லேசான இரைச்சல் நீக்கம் (தேவைப்பட்டால்)
-
பழமைவாத அமைப்புகளுடன் கூடிய உயர்ரகம்
-
விஷயங்கள் மிகவும் மென்மையாக உணர்ந்தால் தானியத்தை மீண்டும் சேர்க்கவும் (ஆம், உண்மையில்)
தானியம் உப்பு மாதிரி. அளவுக்கு அதிகமாக சாப்பிட்டால் இரவு உணவு கெட்டுவிடும், ஆனா எந்த தானியமும் உப்புக்கு சமமா இருக்காது 🍟
பழைய ஸ்கேன்கள் மற்றும் பெரிதும் சுருக்கப்பட்ட படங்கள்
இவை கடினமானவை, ஏனெனில் மாடல் சுருக்கத் தொகுதிகளை "டெக்ஸ்ச்சர்" ஆகக் கருதக்கூடும்.
இதை முயற்சிக்கவும்:
-
கலைப்பொருள் அகற்றுதல் அல்லது தடுப்பை நீக்குதல்
-
பின்னர் உயர்ரகம்
-
பிறகு லேசாக கூர்மைப்படுத்துதல் (அதிகமாக இல்லை... எனக்குத் தெரியும், எல்லோரும் அப்படித்தான் சொல்கிறார்கள், ஆனாலும்)
அசையும் மற்றும் வரி ஓவியம்
வரி கலையின் நன்மைகள்:
-
சுத்தமான விளிம்புகளைப் பாதுகாக்கும் மாதிரிகள்
-
குறைக்கப்பட்ட அமைப்பு மாயத்தோற்றம்
அனிம் அப்ஸ்கேலிங் பெரும்பாலும் அழகாகத் தெரிகிறது, ஏனெனில் வடிவங்கள் எளிமையாகவும் சீராகவும் உள்ளன. (அதிர்ஷ்டம்.)
காணொளி
வீடியோ கூடுதல் படிகளைச் சேர்க்கிறது:
-
சத்தம் நீக்குதல்
-
இடையிடையேயான இணைப்பு நீக்கம் (சில ஆதாரங்களுக்கு)
-
உயர்ரகம்
-
தற்காலிக மென்மையாக்கல் அல்லது நிலைப்படுத்தல் (BasicVSR (CVPR 2021))
-
ஒருங்கிணைப்புக்கான விருப்ப தானிய மறு அறிமுகம்
நீங்கள் தற்காலிக நிலைத்தன்மையைத் தவிர்த்துவிட்டால், அந்த மின்னும் விவர மினுமினுப்பைப் பெறுவீர்கள். நீங்கள் அதை ஒருமுறை கவனித்தால், அதை உங்களால் கவனிக்காமல் இருக்க முடியாது. அமைதியான அறையில் ஒரு சத்தமிடும் நாற்காலி போல 😖
பெரிதாக யூகிக்காமல் அமைப்புகளைத் தேர்ந்தெடுப்பது (ஒரு சிறிய ஏமாற்றுத் தாள்) 🎛️😵💫
இதோ ஒரு நல்ல தொடக்க மனநிலை:
-
முகங்கள் பிளாஸ்டிக்காகத் தெரிந்தால்
சத்தத்தைக் குறைக்கவும், கூர்மையாக்கத்தைக் குறைக்கவும், முகத்தைப் பாதுகாக்கும் மாதிரி அல்லது பயன்முறையை முயற்சிக்கவும். -
மேற்பரப்புகள் மிகவும் அடர்த்தியாகத் தெரிந்தால்,
“விவர மேம்பாடு” அல்லது “விவரத்தை மீட்டெடு” ஸ்லைடர்களைக் குறைத்து, அதன் பிறகு நுட்பமான தானிய அமைப்பைச் சேர்க்கவும். -
விளிம்புகள் ஒளிர்ந்தால்
கூர்மைப்படுத்தலைக் குறைத்து, ஒளிவட்ட அடக்க விருப்பங்களைச் சரிபார்க்கவும். -
படம் மிகவும் செயற்கையாகத் தெரிந்தால்,
இன்னும் பழமைவாத அணுகுமுறையைக் கையாளுங்கள். சில நேரங்களில், குறைவாகச் செய்வதே சிறந்த வழியாக இருக்கும்.
மேலும்: உங்களால் முடியும் என்பதற்காக 8x ஐ உயர்த்த வேண்டாம். சுத்தமான 2x அல்லது 4x பெரும்பாலும் இனிமையான இடமாகும். அதற்கு அப்பால், உங்கள் பிக்சல்களைப் பற்றி ஃபேன்ஃபிக்ஷன் எழுத மாடலிடம் கேட்கிறீர்கள் 📖😂
நெறிமுறைகள், நம்பகத்தன்மை மற்றும் "உண்மை" பற்றிய சங்கடமான கேள்வி 🧭😬
AI அப்ஸ்கேலிங் ஒரு கோட்டை மங்கலாக்குகிறது:
-
மீட்டெடுப்பு என்பது இருந்ததை மீட்டெடுப்பதைக் குறிக்கிறது
-
மேம்படுத்தல் என்பது இல்லாததைச் சேர்ப்பதைக் குறிக்கிறது
தனிப்பட்ட புகைப்படங்களைப் பொறுத்தவரை, பொதுவாக எந்தப் பிரச்சனையும் இல்லை (மற்றும் அழகாகவும் இருக்கும்). பத்திரிக்கைத் துறை, சட்ட ஆதாரங்கள், மருத்துவப் படமெடுப்பு அல்லது துல்லியத்தன்மை முக்கியத்துவம் வாய்ந்த வேறு எதிலும்... நீங்கள் கவனமாக இருக்க வேண்டும் (OSAC/NIST: தடயவியல் எண்ணிமப் பட மேலாண்மைக்கான தரநிலை வழிகாட்டி, தடயவியல் படப் பகுப்பாய்விற்கான SWGDE வழிகாட்டுதல்கள்).
ஒரு எளிய விதி:
-
ஆபத்து அதிகமாக இருந்தால், AI மேம்பாட்டை உறுதியானதாகஅல்ல, விளக்கமாக கருதுங்கள்.
மேலும், தொழில்முறை சூழல்களில் வெளிப்படுத்தல் முக்கியமானது. AI தீயது என்பதால் அல்ல, ஆனால் விவரங்கள் மறுகட்டமைக்கப்பட்டதா அல்லது கைப்பற்றப்பட்டதா என்பதை பார்வையாளர்கள் அறியத் தகுதியானவர்கள் என்பதால். அது வெறும்... மரியாதைக்குரியது.
இறுதிக் குறிப்புகள் மற்றும் ஒரு சிறிய சுருக்கம் 🧡✅
ஆக, AI அப்ஸ்கேலிங் செயல்படும் விதம் இதுதான்: உயர்-தெளிவுத்திறன் விவரங்கள் , குறைந்த-தெளிவுத்திறன் வடிவங்களுடன் எவ்வாறு தொடர்புபடுகின்றன என்பதை மாடல்கள் கற்றுக்கொள்கின்றன, பின்னர் அப்ஸ்கேலிங் செய்யும்போது நம்பத்தகுந்த கூடுதல் பிக்சல்களைக் கணிக்கின்றன ( பட சூப்பர்-ரெசல்யூஷனுக்கான டீப் லேர்னிங்: ஒரு ஆய்வு ). மாடல் வகையைப் (CNN, GAN, டிஃப்யூஷன், வீடியோ-டெம்போரல்) பொறுத்து, அந்தக் கணிப்பு நம்பகமானதாகவும் துல்லியமானதாகவும் இருக்கலாம்... அல்லது துணிச்சலானதாகவும் சில நேரங்களில் கட்டுப்பாடற்றதாகவும் இருக்கலாம் 😅
சுருக்கமான விளக்கம்
-
பாரம்பரிய அப்ஸ்கேலிங் பிக்சல்களை நீட்டுகிறது (பைக்யூபிக் இடைக்கணிப்பு)
-
கற்றறிந்த வடிவங்களைப் பயன்படுத்தி காணாமல் போன விவரங்களை AI மேம்பாடு கணிக்கின்றது (ஆழமான மாற்ற நெட்வொர்க்குகளைப் பயன்படுத்தி பட சூப்பர்-தெளிவுத்திறன் (SRCNN))
-
சரியான மாதிரி + கட்டுப்பாடு இருந்து சிறந்த முடிவுகள் வருகின்றன
-
வீடியோவில் ஒளிவட்டம், மெழுகு போன்ற முகங்கள், மீண்டும் மீண்டும் வரும் அமைப்புகள் மற்றும் மினுமினுப்பு ஆகியவற்றைப் பாருங்கள் (BasicVSR (CVPR 2021))
-
அளவை உயர்த்துதல் என்பது பெரும்பாலும் "நம்பத்தகுந்த புனரமைப்பு" ஆகும், அது முழுமையான உண்மை அல்ல (எஸ்.ஆர்.ஜி.ஏ.என், இ.எஸ்.ஆர்.ஜி.ஏ.என்).
நீங்கள் விரும்பினால், நீங்கள் எதை மேம்படுத்துகிறீர்கள் (முகங்கள், பழைய புகைப்படங்கள், வீடியோ, அனிம், உரை ஸ்கேன்கள்) என்று சொல்லுங்கள், பொதுவான "AI தோற்றம்" சிக்கல்களைத் தவிர்க்கும் ஒரு அமைப்பு உத்தியை நான் பரிந்துரைப்பேன் 🎯🙂
நிஜ உலக உதாரணம்: பழைய சந்தைப் பொருள் புகைப்படங்களை மேம்படுத்துதல் 📸
சூழ்நிலை
ஒரு சிறிய பழைய கேமரா கடையில், பழைய இணையதளத்திலிருந்து 800px அகலத்தில் ஏற்றுமதி செய்யப்பட்ட 40 தயாரிப்புப் புகைப்படங்கள் உள்ளன. அதன் உரிமையாளர் அவற்றை ஒரு புதிய மின்வணிகப் பக்கத்தில் மீண்டும் பயன்படுத்த விரும்புகிறார், அங்கு பரிந்துரைக்கப்பட்ட பட அளவு 1,600px அகலமாகும்.
சிக்கல் என்னவென்றால்: சாதாரண அளவு மாற்றம் கேமராக்களை மங்கலாகக் காட்டும், அதே சமயம் தீவிரமான செயற்கை நுண்ணறிவு (AI) பெரிதாக்குதல், ரப்பர் கைப்பிடிகள், வரிசை எண்கள் மற்றும் லென்ஸ் குறியீடுகளைச் சந்தேகத்திற்கிடமான வகையில் போலியாகக் காட்டக்கூடும். இது ஒரு முக்கியமான விஷயம், ஏனெனில் வாங்குபவர்கள் ஒரு பொருளை வாங்குவதற்கு முன்பு இந்த விவரங்களை நம்பியிருக்கிறார்கள்.
விடுபட்ட தகவல்களைப் பிழையின்றி "மீட்டெடுப்பது" இதன் நோக்கம் அல்ல. அசல் கோப்புகளைக் கிடைக்கச் செய்துகொண்டே, தெளிவான பட்டியல் படங்களை உருவாக்குவதே இதன் நோக்கம். ஏனெனில், செயற்கை நுண்ணறிவு மூலம் அளவை அதிகரிப்பது, உறுதியான உண்மையைக் காட்டிலும் நம்பத்தகுந்த விவரங்களையே கணிக்கிறது.
பணிப்பாய்வுக்கு என்ன தேவை
அசல் தயாரிப்புப் புகைப்படங்கள், முடிந்தவரை மிகக் குறைந்த அளவு சுருக்கப்பட்ட பதிப்புகளாக இருப்பது சிறந்தது
இலக்கு வெளியீட்டு அளவு, அதாவது 800px அகலத்திலிருந்து 1,600px அகலத்திற்கு 2x பெரிதாக்குதல்
இரைச்சலைக் குறைத்தல், கூர்மையாக்குதல் மற்றும் செயற்கைப் பிழைகளை அகற்றுதல் ஆகியவற்றுக்குத் தனித்தனி கட்டுப்பாடுகளைக் கொண்ட ஒரு கருவி அல்லது மாதிரி
எழுத்துக்கள், விளிம்புகள், சின்னங்கள், திருகுகள், பொத்தான்கள், தோலின் இழை அமைப்பு மற்றும் பிரதிபலிப்புகள் ஆகியவற்றுக்கான ஒரு எளிய ஆய்வுப் பட்டியல்
அசல் கோப்புகளுக்கு ஒரு கோப்புறையும், திருத்தப்பட்ட ஏற்றுமதி கோப்புகளுக்கு ஒரு தனி கோப்புறையும் இருப்பதால், எதுவும் மேலெழுதப்படாது
எடுத்துக்காட்டு அறிவுறுத்தல்
ஒரு AI அப்ஸ்கேலரைச் சோதிக்கும்போது இந்த வகையான வழிமுறையைப் பயன்படுத்தவும்:
ஒரு இணையவழி வர்த்தகப் பட்டியலுக்காக, இந்தப் பொருளின் புகைப்படத்தை 2 மடங்கு பெரிதாக்குங்கள். பொருளின் வடிவம், லோகோவின் அமைவிடம், லென்ஸ் குறிகள், பொத்தானின் விளிம்புகள் மற்றும் மேற்பரப்பு அமைப்பு ஆகியவற்றை முடிந்தவரை அசல் படத்திற்கு நெருக்கமாக வைத்திருங்கள். மிதமான சுருக்கச் சுத்திகரிப்பு மற்றும் குறைந்த கூர்மையாக்கத்தைப் பயன்படுத்துங்கள். மேலும், கூடுதல் எழுத்துக்கள், கீறல்கள், லேபிள்கள், வரிசை எண்கள் அல்லது அலங்கார விவரங்களைச் சேர்ப்பதைத் தவிர்க்கவும். இறுதிப் படம், சாதாரண தயாரிப்புப் பக்க அளவில் இயல்பாகத் தெரிய வேண்டும்; 400% பெரிதாக்கத்தில் செயற்கையாகக் கூர்மையாக்கப்பட்டது போல் இருக்கக்கூடாது.
அதை எப்படி சோதிப்பது
முழுத் தொகுதியையும் செயலாக்குவதற்கு முன், ஐந்து கலவையான படங்களுடன் தொடங்கவும்:
நல்ல வெளிச்சத்துடன் எடுக்கப்பட்ட, தயாரிப்பின் ஒரு தெளிவான புகைப்படம்
கட்டம் கட்டமாகத் தெரியும் ஒரு JPEG சுருக்கப்பட்ட படம்
மிகச்சிறிய அச்சிடப்பட்ட எழுத்துக்கள் அல்லது லென்ஸ் அடையாளங்களைக் கொண்ட ஒரு புகைப்படம்
நிழல்களில் இரைச்சலுடன் கூடிய ஒரு இருண்ட உருவம்
பிரதிபலிக்கும் உலோகம் அல்லது கண்ணாடியுடன் கூடிய ஒரு படம்
பெரிதாக்கிய பிறகு, ஒவ்வொரு முடிவையும் அசல் படத்துடன் 100% மற்றும் 200% அளவில் ஒப்பிட்டுப் பாருங்கள். பிராண்ட் பெயர்கள், டயல்கள், திருகுகள், போர்ட்கள் மற்றும் மேற்பரப்பு வடிவங்கள் இன்னும் பொருந்துகின்றனவா என்று சரிபார்க்கவும். அந்த மாடல் "கிட்டத்தட்ட எழுத்துக்களைப்" போன்ற தோற்றங்களையோ அல்லது போலியான மேற்பரப்புக் குறிகளையோ உருவாக்கினால், ஷார்பனிங் அல்லது டீடெயில் ரெக்கவரி அமைப்பைக் குறைக்கவும்.
முடிவு
விளக்க முடிவு: இந்த பணிப்பாய்வைப் பயன்படுத்துவதற்கு முன்னும் பின்னும் ஐந்து படங்களைக் கொண்ட சோதனையின் நேரத்தைக் கணக்கிட்டதன் அடிப்படையில்.
கைமுறையாகச் சுத்தம்செய்து அளவை மாற்றுவதற்கு ஒரு படத்திற்குச் சுமார் 9 நிமிடங்களும், ஐந்து படங்களுக்கு 45 நிமிடங்களும் ஆனது.
செயற்கை நுண்ணறிவு உதவியுடனான பணிப்பாய்வு, ஒரு படத்திற்குச் சுமார் 3 நிமிடங்களும், ஐந்து படங்களுக்கு 15 நிமிடங்களும் எடுத்துக்கொண்டது.
ஐந்து படங்களுக்கு சுமார் 30 நிமிடங்களும், 40 படங்கள் கொண்ட தொகுப்பில் ஏறத்தாழ 4 மணி நேரமும் மிச்சமாகும்.
தரச் சரிபார்ப்பு முடிவு: 5 படங்களில் 4 முதல் மதிப்பாய்வில் தேர்ச்சி பெற்றன. அப்ஸ்கேலர் சிறிய லென்ஸ் எழுத்துக்களைச் சிதைத்ததால் ஒரு படம் தோல்வியடைந்தது; எனவே, அது குறைந்த கூர்மையுடனும் எழுத்து மேம்பாடு இல்லாமலும் மீண்டும் செயலாக்கப்பட்டது.
இங்குள்ள மதிப்புமிக்க அளவுகோல் என்பது வெறும் “தெளிவாகத் தெரிகிறது” என்பது மட்டுமல்ல. அது என்னவென்றால்: புனையப்பட்ட நுணுக்கங்கள் ஏதுமின்றி, எத்தனை படங்கள் அருகருகே வைத்து ஆய்வு செய்யும்போது தேர்ச்சி பெறுகின்றன?
என்ன தவறு நடக்கக்கூடும்?
இந்த மாடல், தூசி, JPEG கட்டங்கள் அல்லது கீறல்களை "உண்மையான" அமைப்பாக மாற்றக்கூடும்.
நீங்கள் பெரிதாக்கிப் பார்க்கும் வரை நம்பும்படியாகத் தோன்றும் போலி உரையாக மிகச்சிறிய எழுத்துக்கள் மாறிவிடக்கூடும்.
அதிகப்படியான இரைச்சல் நீக்கம், ரப்பர், தோல் அல்லது மெருகூட்டப்பட்ட உலோகம் போன்றவற்றை மெழுகு பூசியது போல் தோற்றமளிக்கச் செய்யும்.
கடுமையாகக் கூர்மையாக்குவதால் பொருளின் விளிம்புகளைச் சுற்றி ஒளிவட்டங்கள் உருவாகக்கூடும்.
தொகுப்பு செயலாக்கம் தவறுகளை மறைக்கக்கூடும், எனவே அனைத்தையும் ஏற்றுமதி செய்வதற்கு முன் ஒரு மாதிரியை மதிப்பாய்வு செய்யவும்.
மின்வணிகத்தைப் பொறுத்தவரை, மிகவும் பாதுகாப்பான விதி எளிமையானது: சேதத்தை மறைக்கவோ, அதன் நிலையை மாற்றவோ, அல்லது ஒரு பொருளை அதன் உண்மையான வயதை விடப் புதியதாகக் காட்டவோ ஒருபோதும் செயற்கை நுண்ணறிவு மேம்படுத்தலைப் (AI upscaling) பயன்படுத்தாதீர்கள்.
நடைமுறைப் பாடம்
AI அப்ஸ்கேலிங்கை ஒரு மாயாஜால பழுதுபார்க்கும் பொத்தானாகக் கருதாமல், கட்டுப்படுத்தப்பட்ட ஒரு இறுதிப்படுத்தும் படியாகக் கருதும் போது அது சிறப்பாகச் செயல்படும். மிதமான 2× அமைப்புகளைப் பயன்படுத்துங்கள், வாங்குபவர்கள் விரும்பும் விவரங்களைச் சரிபாருங்கள், மேலும் திருத்தப்பட்ட பதிப்பின் நம்பகத்தன்மை குறையாமல் இருக்க அசல் படத்தையும் பத்திரமாக வைத்திருங்கள்.
நிஜ உலக உதாரணம்: ஒரு பழைய பயிற்சி வீடியோவை மினுமினுக்கச் செய்யாமல் மேம்படுத்துதல்
சூழ்நிலை
ஒரு சிறிய பயிற்சி நிறுவனம், 2014-ல் 720p தரத்தில் பதிவுசெய்யப்பட்ட 7 நிமிடப் பாதுகாப்பு செயல்விளக்கக் காணொளி ஒன்றைக் கொண்டுள்ளது. அந்த உள்ளடக்கத்திற்கு இன்றும் மதிப்பு உண்டு, ஆனால் நிறுவனத்தின் புதிய இணையதளத்தில், குறிப்பாகப் பெரிய மடிக்கணினித் திரைகளில், அந்தக் காணொளிக் காட்சி மங்கலாகத் தெரிகிறது.
மீண்டும் படமெடுக்காமல், தெளிவான 1080p பதிப்பை ஏற்றுமதி செய்ய அந்தக் குழு விரும்புகிறது. இதில் உள்ள அபாயம் என்னவென்றால், தீவிரமான செயற்கை நுண்ணறிவு மேம்படுத்தல் (AI upscaling) முகங்களை மெழுகு போன்று தோற்றமளிக்கச் செய்யலாம், பலகைகளில் உள்ள எழுத்துக்களை 'ஏறக்குறைய வார்த்தைகள்' போல மாற்றலாம், அல்லது ஒவ்வொரு ஃபிரேமிலும் படபடக்கும் டெக்ஸ்சரை உருவாக்கலாம்.
வீடியோவைப் புத்தம் புதியதாகக் காட்டுவது இதன் நோக்கம் அல்ல. பயிற்றுவிப்பாளரின் முகம், எச்சரிக்கை லேபிள்கள், கை அசைவுகள் மற்றும் உபகரண விவரங்கள் போன்றவற்றை அசலில் உள்ளதைப் போலவே தக்கவைத்துக்கொண்டு, அதைத் தெளிவானதாகவும், நிலையானதாகவும், சுருக்கம் குறைந்ததாகவும் மாற்றுவதே இதன் நோக்கம்.
பணிப்பாய்வுக்கு என்ன தேவை
முடிந்தால், சுருக்கப்பட்ட சமூக ஊடகப் பதிவிறக்கமாக இல்லாமல், அசல் வீடியோ கோப்பாகவே இருக்க வேண்டும்
நேரடியாக 4K-க்குச் செல்வதற்குப் பதிலாக, 720p-இலிருந்து 1080p-க்கு மாற்றுவது போன்ற இலக்கு ஏற்றுமதி அளவு
இரைச்சல் நீக்கம், கூர்மையாக்குதல், சுருக்கச் சீரமைப்பு மற்றும் தற்காலிக நிலைத்தன்மை ஆகிய விருப்பங்களைக் கொண்ட ஒரு வீடியோ மேம்படுத்தி
முகங்கள், அசைவு, உரை மற்றும் நுணுக்கமான மேற்பரப்புகளைக் கொண்ட ஒரு சிறிய சோதனைக் காணொளி
சிமிட்டல், ஒளிவட்டங்கள், சிதைந்த எழுத்துகள், எழுத்துரு அமைப்பு மற்றும் நகரும் விளிம்புகளுக்கான மதிப்பாய்வு சரிபார்ப்புப் பட்டியல்
ஒப்பீட்டிற்காகவும், தேவைப்பட்டால் வெளிப்படுத்துவதற்காகவும் அசல் காணொளியின் சேமிக்கப்பட்ட நகல்
எடுத்துக்காட்டு அறிவுறுத்தல்
முழு வீடியோவையும் செயலாக்குவதற்கு முன், இந்த வகையான அறிவுறுத்தலைப் பயன்படுத்தவும்:
இந்த 720p பயிற்சி வீடியோவை 1080p-க்கு மேம்படுத்தவும். இயல்பான அசைவு, நிலையான விளிம்புகள், ஏற்கனவே உள்ள எழுத்துக்கள் தெளிவாகத் தெரிதல் மற்றும் யதார்த்தமான சரும அமைப்பு ஆகியவற்றுக்கு முன்னுரிமை கொடுங்கள். மிதமான கம்ப்ரஷன் ரிப்பேர் மற்றும் குறைந்த ஷார்பனிங் முறைகளைப் பயன்படுத்துங்கள். விடுபட்ட எழுத்துக்கள், லோகோக்கள், லேபிள்கள், கீறல்கள், முக விவரங்கள் அல்லது உபகரணக் குறியீடுகளைப் புதிதாக உருவாக்காதீர்கள். ஒவ்வொரு ஃபிரேமிலும் ஏற்படும் மினுமினுப்பைத் தவிர்க்கவும். இறுதி முடிவு, சாதாரண பார்வை அளவில் தெளிவாகத் தெரிய வேண்டும்; இடைநிறுத்தி பெரிதாக்கிப் பார்க்கும்போது செயற்கையாகக் கூர்மையாகத் தெரியக்கூடாது.
அதை எப்படி சோதிப்பது
முழு 7 நிமிடக் கோப்பையும் செயலாக்குவதற்கு முன், பின்வருவனவற்றை உள்ளடக்கிய 20 வினாடி மாதிரியை ஏற்றுமதி செய்யவும்:
பேசும்போது பயிற்றுவிப்பாளரின் முகபாவம்
சட்டகத்தின் குறுக்கே நகரும் ஒரு கை
ஒரு எச்சரிக்கை லேபிள் அல்லது சிறிய அச்சிடப்பட்ட உரை
துணி, கான்கிரீட், மெருகூட்டப்பட்ட உலோகம் அல்லது பிளாஸ்டிக் போன்ற ஒரு கடினமான மேற்பரப்பு
கேமராவின் நகர்வு அல்லது ஏதேனும் நடுக்கமான அசைவு
மாதிரியை இரண்டு முறை பாருங்கள்: ஒருமுறை இயல்பான வேகத்திலும், மற்றொரு முறை ஒவ்வொரு ஃபிரேமையும் இடைநிறுத்தியும் பாருங்கள். இயல்பான வேகத்தில் பார்க்கும்போது, சிமிட்டல், நகரும் அமைப்பு அல்லது ஓரங்களில் ஏற்படும் இயல்புக்கு மாறான அசைவுகள் போன்றவற்றைக் கவனியுங்கள். இடைநிறுத்திய பிறகு, அசல் மற்றும் பெரிதாக்கப்பட்ட பதிப்புகளை ஒப்பிட்டு, உரை, பொத்தான்கள், கருவிகள் மற்றும் முக அம்சங்கள் இன்னும் பொருந்துகின்றனவா என்று சரிபார்க்கவும்.
முடிவு
விளக்க முடிவு: ஒரு 20-வினாடி சோதனைக் காணொளிக்கு நேரம் குறித்து, பின்னர் அதே அமைப்புகளை ஒரு 7-நிமிட காணொளிக்குப் பயன்படுத்தியதன் அடிப்படையில் இது அமைந்துள்ளது.
கைமுறையாக அளவை மாற்றித் தெளிவாக்கும் செயல்முறைக்கு, ஏற்றுமதி மற்றும் மதிப்பாய்வு உட்பட சுமார் 35 நிமிடங்கள் ஆனது, ஆனால் அதன் விளைவாகப் பயிற்றுவிப்பாளரின் தலைமுடியில் கண்ணுக்குத் தெரியும் மினுமினுப்பும், பாதுகாப்பு அடையாளங்களைச் சுற்றி ஒளிவட்டங்களும் காணப்பட்டன.
சோதனை ஏற்றுமதிகள் உட்பட, செயற்கை நுண்ணறிவு உதவியுடனான பணிப்பாய்வு சுமார் 55 நிமிடங்கள் எடுத்தது, ஆனால் இது முதல் ஏற்றுமதியில் இருந்த 8 புலப்படும் சிக்கல்களை, இறுதி ஏற்றுமதியில் 2 சிறிய சிக்கல்களாகக் குறைத்தது.
மதிப்பாய்வு சரிபார்ப்புப் பட்டியலில் உள்ள 12 சோதனைகளில் 10-ல் இறுதிப் பதிப்பு தேர்ச்சி பெற்றது. பின்னணி உரையில் லேசான மங்கல் மற்றும் ஒரு இருண்ட மூலையில் லேசான இரைச்சல் ஆகியவை மீதமிருந்த இரண்டு சிக்கல்களாகும். பயிற்றுவிப்பாளர், உபகரணங்கள் மற்றும் பாதுகாப்பு நடவடிக்கைகள் ஆகியவை தோற்றத்தில் சீராக இருந்ததால், இவ்விரண்டும் ஏற்றுக்கொள்ளப்பட்டன.
இங்கு அர்த்தமுள்ள அளவுகோல் “1080p அடையப்பட்டது” என்பதல்ல. அது என்னவென்றால்: இயல்பான இயக்கத்தின் போது, காணொளியின் எத்தனை வினாடிகளில் கவனத்தை சிதறடிக்கும் பிழைகள் தென்படுகின்றன?
என்ன தவறு நடக்கக்கூடும்?
இந்த மாடல், அமுக்கத் தொகுதிகளைக் கூர்மையாக்கி, அவற்றை உண்மையான இழையமைப்பு போலக் காட்டக்கூடும்.
சிறிய எழுத்துக்கள் அதிக நம்பிக்கையான தோற்றத்தை அளிக்கக்கூடும், ஆனால் துல்லியம் குறையலாம்.
டீனாய்ஸ் அதிகமாக இருந்தால் முகங்கள் மிகவும் வழவழப்பாகிவிடும்.
கருவி ஒவ்வொரு ஃபிரேமையும் மிகவும் தனித்தனியாகக் கையாண்டால், நகரும் விளிம்புகள் மினுமினுக்கக்கூடும்.
ஒரு மாடல் அதிகப்படியான நுணுக்கங்களை உருவாக்க வேண்டியிருப்பதால், கட்டுப்படுத்தப்பட்ட 1080p ஏற்றுமதியை விட 4K ஏற்றுமதி தரம் குறைந்ததாகத் தோன்றலாம்.
இடைநிறுத்தப்பட்ட ஒரு காட்சியை மட்டும் வைத்து மதிப்பிடுவதுதான் மிகப்பெரிய தவறு. வீடியோ அப்ஸ்கேலிங் என்பது, ஒரு நிலையான படமாகக் கவர்ச்சிகரமாக இருப்பது மட்டுமல்லாமல், இயக்கத்திலும் இயல்பாகத் தெரிய வேண்டும்.
நடைமுறைப் பாடம்
வீடியோவைப் பொறுத்தவரை, முதலில் ஒரு சிறிய பகுதியைச் சோதித்து, மேம்படுத்தலை மிதமாக வைத்து, கூர்மைக்கு முன் இயக்கத்தை மதிப்பிடும்போது AI மேம்படுத்தல் சிறப்பாகச் செயல்படும். யாராவது நகரும்போதெல்லாம் சிமிட்டும் தெளிவான பதிப்பை விட, சற்றே மென்மையான ஆனால் நிலையான முடிவு பொதுவாகச் சிறந்தது.
அடிக்கடி கேட்கப்படும் கேள்விகள்
AI மேம்பாடு மற்றும் அது எவ்வாறு செயல்படுகிறது
AI மேம்பாடு (பெரும்பாலும் "சூப்பர்-ரெசல்யூஷன்" என்று அழைக்கப்படுகிறது) பயிற்சியின் போது கற்றுக்கொண்ட வடிவங்களிலிருந்து விடுபட்ட உயர்-தெளிவுத்திறன் விவரங்களைக் கணிப்பதன் மூலம் படத்தின் தெளிவுத்திறனை அதிகரிக்கிறது. பைக்யூபிக் இடைக்கணிப்பு போன்ற பிக்சல்களை வெறுமனே நீட்டுவதற்குப் பதிலாக, ஒரு மாதிரி விளிம்புகள், இழைமங்கள், முகங்கள் மற்றும் உரை போன்ற பக்கவாதம் ஆகியவற்றை ஆய்வு செய்து, பின்னர் அந்தக் கற்றறிந்த வடிவங்களுடன் இணைந்த புதிய பிக்சல் தரவை உருவாக்குகிறது. இது "யதார்த்தத்தை மீட்டெடுப்பது" குறைவாகவும், இயற்கையானது என்று படிக்கும் "நம்பகமான யூகத்தை உருவாக்குவது" அதிகமாகவும் உள்ளது.
பைக்யூபிக் அல்லது பாரம்பரிய மறுஅளவிடுதலுக்கு எதிராக AI மேம்பாடு
பாரம்பரிய அப்ஸ்கேலிங் முறைகள் (பைக்யூபிக் போன்றவை) முக்கியமாக இருக்கும் பிக்சல்களுக்கு இடையில் இடைக்கணித்து, உண்மையான புதிய விவரங்களை உருவாக்காமல் மாற்றங்களை மென்மையாக்குகின்றன. AI அப்ஸ்கேலிங் காட்சி குறிப்புகளை அங்கீகரித்து, அந்த குறிப்புகளின் உயர்-ரெஸ் பதிப்புகள் எப்படி இருக்கும் என்று கணிப்பதன் மூலம் நம்பத்தகுந்த கட்டமைப்பை மறுகட்டமைப்பதை நோக்கமாகக் கொண்டுள்ளது. அதனால்தான் AI முடிவுகள் வியத்தகு முறையில் கூர்மையாக உணர முடியும், மேலும் அவை மூலத்தில் இல்லாத கலைப்பொருட்களை அறிமுகப்படுத்தவோ அல்லது "கண்டுபிடிக்க"வோ முடியும்.
முகங்கள் ஏன் மெழுகு போலவோ அல்லது அதிகமாக மென்மையாகவோ இருக்கும்?
மெழுகு போன்ற முகங்கள் பொதுவாக ஆக்ரோஷமான சத்தம் நீக்குதல் மற்றும் மென்மையாக்குதல் ஆகியவற்றுடன் இணைந்து சருமத்தின் இயற்கையான அமைப்பை நீக்கும் கூர்மைப்படுத்துதலால் வருகின்றன. பல கருவிகள் சத்தம் மற்றும் நுண்ணிய அமைப்பை இதேபோல் கையாளுகின்றன, எனவே ஒரு படத்தை "சுத்தம்" செய்வது துளைகள் மற்றும் நுட்பமான விவரங்களை அழிக்கக்கூடும். சத்தம் நீக்குதல் மற்றும் கூர்மைப்படுத்துதலைக் குறைத்தல், கிடைத்தால் முகத்தைப் பாதுகாக்கும் பயன்முறையைப் பயன்படுத்துதல், பின்னர் சிறிது தானியத்தை மீண்டும் அறிமுகப்படுத்துதல் ஆகியவை ஒரு பொதுவான அணுகுமுறையாகும், இதனால் விளைவு குறைவான பிளாஸ்டிக் மற்றும் அதிக புகைப்படத்தன்மை கொண்டதாக இருக்கும்.
கவனிக்க வேண்டிய பொதுவான AI அப்ஸ்கேலிங் கலைப்பொருட்கள்
வழக்கமான காட்சிகளில் விளிம்புகளைச் சுற்றியுள்ள ஒளிவட்டங்கள், மீண்டும் மீண்டும் வரும் அமைப்பு வடிவங்கள் (நகல்-ஒட்டு செங்கல்கள் போன்றவை), மொறுமொறுப்பான மைக்ரோ-கான்ட்ராஸ்ட் மற்றும் "கிட்டத்தட்ட எழுத்துக்களாக" மாறும் உரை ஆகியவை அடங்கும். பரவல் அடிப்படையிலான பணிப்பாய்வுகளில், சிறிய அம்சங்கள் நுட்பமாக மாறும் விவர சறுக்கலையும் நீங்கள் காணலாம். வீடியோவைப் பொறுத்தவரை, பிரேம்களில் ஃப்ளிக்கர் மற்றும் ஊர்ந்து செல்லும் விவரங்கள் பெரிய சிவப்புக் கொடிகள். தீவிர ஜூமில் மட்டுமே இது நன்றாகத் தெரிந்தால், அமைப்புகள் மிகவும் ஆக்ரோஷமாக இருக்கலாம்.
GAN, CNN மற்றும் பரவல் அப்ஸ்கேலர்கள் முடிவுகளில் எவ்வாறு வேறுபடுகின்றன
CNN-அடிப்படையிலான சூப்பர்-ரெசல்யூஷன் நிலையாகவும், கணிக்கக்கூடியதாகவும் இருக்கும், ஆனால் கடுமையாக அழுத்தினால் அது "செயல்படுத்தப்பட்டதாக" தோன்றும். GAN-அடிப்படையிலான விருப்பங்கள் (ESRGAN-பாணி) பெரும்பாலும் அதிக நுணுக்கமான அமைப்பையும் உணரப்பட்ட கூர்மையையும் உருவாக்குகின்றன, ஆனால் அவை தவறான விவரங்களை, குறிப்பாக முகங்களில் மாயத்தோற்றத்தை ஏற்படுத்தக்கூடும். பரவல்-அடிப்படையிலான அப்ஸ்கேலிங் அழகான, நம்பத்தகுந்த விவரங்களை உருவாக்கலாம், ஆனால் வழிகாட்டுதல் அல்லது வலிமை அமைப்புகள் மிகவும் வலுவாக இருந்தால் அது அசல் கட்டமைப்பிலிருந்து விலகிச் செல்லக்கூடும்.
"அதிக AI" தோற்றத்தைத் தவிர்ப்பதற்கான நடைமுறை அமைப்பு உத்தி
தீவிர காரணிகளை அடைவதற்கு முன், பழமைவாதத்தை 2× அல்லது 4× ஆக உயர்த்தத் தொடங்குங்கள். முகங்கள் பிளாஸ்டிக்காகத் தெரிந்தால், சத்தம் நீக்குதல் மற்றும் கூர்மைப்படுத்துதலைத் திரும்பப் பெற்று, முகம்-அறிவு பயன்முறையை முயற்சிக்கவும். இழைமங்கள் மிகவும் தீவிரமாகிவிட்டால், விவரங்களைக் குறைத்து மேம்படுத்தவும், பின்னர் நுட்பமான தானியத்தைச் சேர்ப்பதைக் கருத்தில் கொள்ளவும். விளிம்புகள் ஒளிர்ந்தால், கூர்மைப்படுத்தலைக் குறைத்து, ஒளிவட்டம் அல்லது கலைப்பொருள் அடக்கத்தைச் சரிபார்க்கவும். பல குழாய்களில், "குறைவானது" வெற்றி பெறுகிறது, ஏனெனில் அது நம்பக்கூடிய யதார்த்தத்தைப் பாதுகாக்கிறது.
பழைய ஸ்கேன்களையோ அல்லது JPEG-அமுக்கப்பட்ட படங்களையோ அதிக அளவில் அளவிடுவதற்கு முன்பு கையாளுதல்
சுருக்கப்பட்ட படங்கள் தந்திரமானவை, ஏனெனில் மாதிரிகள் தொகுதி கலைப்பொருட்களை உண்மையான அமைப்பாகக் கருதி அவற்றைப் பெருக்க முடியும். ஒரு பொதுவான பணிப்பாய்வு, முதலில் கலைப்பொருட்களை அகற்றுதல் அல்லது தடுப்பதை நீக்குதல், பின்னர் அளவை அதிகரித்தல், பின்னர் தேவைப்பட்டால் மட்டுமே லேசான கூர்மைப்படுத்துதல் ஆகும். ஸ்கேன்களுக்கு, மென்மையான சுத்தம் செய்தல், மாதிரி சேதத்தை விட உண்மையான கட்டமைப்பில் கவனம் செலுத்த உதவும். "போலி அமைப்பு குறிப்புகளை" குறைப்பதே குறிக்கோள், எனவே சத்தமில்லாத உள்ளீடுகளிலிருந்து நம்பிக்கையான யூகங்களைச் செய்ய மேம்பாட்டாளர் கட்டாயப்படுத்தப்படுவதில்லை.
புகைப்பட மேம்பாட்டை விட வீடியோ மேம்பாடு ஏன் கடினம்?
வீடியோ மேம்பாடு ஒரு நிலையான படத்தில் மட்டும் சிறப்பாக இல்லாமல், பிரேம்கள் முழுவதும் சீராக இருக்க வேண்டும். விவரங்கள் பிரேம்-டு-ஃப்ரேமாக மினுமினுத்தால், விளைவு விரைவாக கவனத்தை சிதறடிக்கும். வீடியோ-மையப்படுத்தப்பட்ட அணுகுமுறைகள் மறுகட்டமைப்பை உறுதிப்படுத்தவும் மின்னும் கலைப்பொருட்களைத் தவிர்க்கவும் அருகிலுள்ள பிரேம்களிலிருந்து தற்காலிக தகவல்களைப் பயன்படுத்துகின்றன. பல பணிப்பாய்வுகளில் சத்தம் நீக்குதல், சில மூலங்களுக்கான இடையிடையே இணைத்தல் மற்றும் விருப்ப தானிய மறு அறிமுகம் ஆகியவை அடங்கும், இதனால் முழு வரிசையும் செயற்கையாக கூர்மையாக இருப்பதற்குப் பதிலாக ஒத்திசைவாக உணர்கிறது.
AI மேம்பாடு பொருத்தமற்றதாகவோ அல்லது நம்புவது ஆபத்தானதாகவோ இருக்கும்போது
AI மேம்பாட்டை ஆதாரமாக அல்ல, மேம்பாடாகக் கருதுவது சிறந்தது. பத்திரிகை, சட்டச் சான்றுகள், மருத்துவ இமேஜிங் அல்லது தடயவியல் பணி போன்ற உயர்-பங்கு சூழல்களில், "நம்பகமான" பிக்சல்களை உருவாக்குவது தவறாக வழிநடத்தும், ஏனெனில் அது கைப்பற்றப்படாத விவரங்களைச் சேர்க்கக்கூடும். ஒரு பாதுகாப்பான ஃப்ரேமிங் என்பது அதை விளக்கமாகப் பயன்படுத்தி, ஒரு AI செயல்முறை மறுகட்டமைக்கப்பட்ட விவரத்தை வெளிப்படுத்துவதாகும். நம்பகத்தன்மை மிக முக்கியமானதாக இருந்தால், அசல்களைப் பாதுகாத்து, ஒவ்வொரு செயலாக்கப் படியையும் அமைப்பையும் ஆவணப்படுத்தவும்.
குறிப்புகள்
-
arXiv - பட சூப்பர்-ரெசல்யூஷனுக்கான ஆழமான கற்றல்: ஒரு கணக்கெடுப்பு - arxiv.org
-
arXiv - ஆழமான மாற்ற நெட்வொர்க்குகளைப் பயன்படுத்தி பட சூப்பர்-ரெசல்யூஷன் (SRCNN) - arxiv.org
-
arXiv - ரியல்-ESRGAN - arxiv.org
-
ஆர்சிவ் - எஸ்ஆர்கன் - arxiv.org
-
arXiv - SR3 - arxiv.org
-
NVIDIA டெவலப்பர் - NVIDIA DLSS - developer.nvidia.com
-
AMD GPUOpen - FidelityFX சூப்பர் ரெசல்யூஷன் 2 - gpuopen.com
-
கணினி பார்வை அறக்கட்டளை (CVF) திறந்த அணுகல் - BasicVSR: வீடியோ சூப்பர்-ரெசல்யூஷனில் அத்தியாவசிய கூறுகளுக்கான தேடல் (CVPR 2021) - openaccess.thecvf.com
-
arXiv - ஜெனரேட்டிவ் அட்வர்சரியல் நெட்வொர்க்குகள் - arxiv.org
-
ஆர்சிவ் - எஸ்ஆர்ஜிஏஎன் - ஆர்சிவ்.ஆர்ஜி
-
arXiv - புலனுணர்வு இழப்புகள் (ஜான்சன் மற்றும் பலர், 2016) - arxiv.org
-
GitHub - Real-ESRGAN ரெப்போ (டைல் விருப்பங்கள்) - github.com
-
விக்கிபீடியா - பைக்யூபிக் இடைக்கணிப்பு - wikipedia.org
-
புஷ்பராகம் ஆய்வகங்கள் - புஷ்பராகம் புகைப்படம் - topazlabs.com
-
புஷ்பராகம் ஆய்வகங்கள் - புஷ்பராகம் வீடியோ - topazlabs.com
-
அடோபி உதவி மையம் - அடோபி என்ஹான்ஸ் > சூப்பர் ரெசல்யூஷன் - helpx.adobe.com
-
NIST / OSAC - தடயவியல் டிஜிட்டல் பட மேலாண்மைக்கான நிலையான வழிகாட்டி (பதிப்பு 1.0) - nist.gov
-
SWGDE - தடயவியல் பட பகுப்பாய்விற்கான வழிகாட்டுதல்கள் - swgde.org