சுருக்கமான பதில்: AI மேம்பாடு என்பது, இணைக்கப்பட்ட குறைந்த மற்றும் உயர் தெளிவுத்திறன் படங்களில் ஒரு மாதிரியைப் பயிற்றுவிப்பதன் மூலம் செயல்படுகிறது, பின்னர் மேம்பாட்டிற்குப் பயன்படுத்தும்போது நம்பத்தகுந்த கூடுதல் பிக்சல்களைக் கணிக்க அதைப் பயன்படுத்துகிறது. மாதிரி பயிற்சியின் போது ஒத்த அமைப்புகளையோ அல்லது முகங்களையோ பார்த்திருந்தால், அது உறுதியான விவரங்களைச் சேர்க்கலாம்; இல்லையென்றால், அது ஒளிவட்டம், மெழுகு போன்ற தோல் அல்லது வீடியோவில் மினுமினுப்பு போன்ற கலைப்பொருட்களை "மாயத்தோற்றம்" செய்யலாம்.
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.
கலைப்பொருள் சரிபார்ப்புகள் : ஒளிவட்டங்கள், மீண்டும் மீண்டும் வரும் அமைப்புகள், "கிட்டத்தட்ட எழுத்துக்கள்" மற்றும் பிளாஸ்டிக் போன்ற முகங்களைக் கவனியுங்கள்.
வீடியோ நிலைத்தன்மை : தற்காலிக முறைகளைப் பயன்படுத்துங்கள் அல்லது பிரேம்-டு-ஃபிரேம் மின்னும் மற்றும் சறுக்கலைக் காண்பீர்கள்.
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 😅
எனவே, AI அப்ஸ்கேலிங் எவ்வாறு செயல்படுகிறது என்பது "கணினி விவரங்களை மேம்படுத்துகிறது" (கை அலை அலையானது) என்பதை விட மிகவும் குறிப்பிட்ட ஒன்று மற்றும் "ஒரு மாதிரி பல எடுத்துக்காட்டுகளிலிருந்து கற்றுக்கொண்ட வடிவங்களின் அடிப்படையில் நம்பத்தகுந்த உயர்-தெளிவுத்திறன் கட்டமைப்பை முன்னறிவிக்கிறது" ( டீப் லேர்னிங் ஃபார் இமேஜ் சூப்பர்-ரெசல்யூஷன்: எ சர்வே ) என்பதற்கு நெருக்கமானது. அந்த கணிப்பு படி முழு விளையாட்டு - அதனால்தான் AI அப்ஸ்கேலிங் பிரமிக்க வைக்கும்... அல்லது கொஞ்சம் பிளாஸ்டிக்... அல்லது உங்கள் பூனை போனஸ் விஸ்கர்களை வளர்த்தது போல இருக்கும்.
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 என்றால் தெளிவுத்திறனை அதிகரிப்பது: அதிக பிக்சல்கள், பெரிய படம். பாரம்பரிய அப்ஸ்கேலிங் (பைக்யூபிக் போன்றவை) அடிப்படையில் பிக்சல்களை நீட்டி மாற்றங்களை மென்மையாக்குகிறது ( பைக்யூபிக் இடைக்கணிப்பு புதிய விவரங்களைக் கண்டுபிடிக்க முடியாது
AI மேம்பாடு என்பது துணிச்சலான ஒன்றை முயற்சிக்கிறது (ஆராய்ச்சி உலகில் "சூப்பர்-ரெசல்யூஷன்" என்றும் அழைக்கப்படுகிறது) ( பட சூப்பர்-ரெசல்யூஷனுக்கான ஆழமான 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
-
அந்த வடிவங்களுக்கு பொருந்தக்கூடிய கூடுதல் பிக்சல் தரவை உருவாக்குகிறது
ஆழமான மாற்ற நெட்வொர்க்குகளைப் பயன்படுத்தி பட சூப்பர்-ரெசல்யூஷன் (SRCNN) போன்றது ). அது சற்று சந்தேகத்திற்குரியதாகத் தோன்றினால், நீங்கள் தவறாக நினைக்கவில்லை - ஆனால் அது இவ்வளவு சிறப்பாக செயல்படுவதற்கும் இதுவே காரணம் 😄
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. -
அமைப்பு யதார்த்தம்
முடி ஒரு வண்ணப்பூச்சு தூரிகை ஸ்ட்ரோக்காக மாறக்கூடாது. செங்கல் ஒரு தொடர்ச்சியான வடிவ முத்திரையாக மாறக்கூடாது. -
சத்தம் மற்றும் சுருக்க கையாளுதல்
அன்றாடப் படங்கள் பல JPEG-க்கு மாற்றப்பட்டு இறக்கின்றன. ஒரு நல்ல அப்ஸ்கேலர் அந்த சேதத்தை பெருக்குவதில்லை ( Real-ESRGAN ). -
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) ). -
அர்த்தமுள்ள கட்டுப்பாடுகள்
உண்மையான விளைவுகளை வரைபடமாக்கும் ஸ்லைடர்களை நீங்கள் விரும்புகிறீர்கள்: சத்தம் நீக்குதல், மங்கலாக்குதல், கலைப்பொருள் நீக்கம், தானிய தக்கவைத்தல், கூர்மைப்படுத்துதல்... நடைமுறை விஷயங்கள்.
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 |
| அடோப் “சூப்பர் ரெசல்யூஷன்” வகை அம்சங்கள் ( அடோப் 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 புள்ளிவிவர அமைப்பைக் கற்றுக்கொள்வது ( பட சூப்பர்-ரெசல்யூஷனுக்கான ஆழமான கற்றல்: ஒரு ஆய்வு ). இதை அமைப்பு மற்றும் விளிம்புகளின் இலக்கணத்தைக் கற்றுக்கொள்வது போல நினைத்துப் பாருங்கள். கவிதை இலக்கணம் அல்ல, இன்னும் சொல்லப்போனால்... IKEA கையேடு இலக்கணம் 🪑📦 (சிக்கலான உருவகம், ஆனால் போதுமான அளவு நெருக்கமாக).
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 பெரிதாக இருந்தால் அதை துண்டுகளாக டைல் செய்யவும் (VRAM ரியாலிட்டி சரிபார்ப்பு 😭) ( 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)
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 (Generative Adversarial Networks) ஒரு ஜெனரேட்டரை உயர்-தெளிவுத்திறன் கொண்ட படங்களை உருவாக்கப் பயிற்றுவிக்கின்றன, அவற்றை ஒரு பாகுபாடு காண்பிப்பவர் உண்மையானவற்றிலிருந்து வேறுபடுத்திப் பார்க்க முடியாது ( Generative Adversarial Networks ).
-
நன்மை: கூர்மையான விவரம், ஈர்க்கக்கூடிய அமைப்பு
-
பாதகம்: இல்லாத விவரங்களைக் கண்டுபிடிக்க முடியும் - சில நேரங்களில் தவறானது, சில நேரங்களில் விசித்திரமானது ( SRGAN , ESRGAN )
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)
-
அதிகமாகக் கூர்மைப்படுத்தப்பட்ட ஒளிவட்டங்கள் (கிளாசிக் "ஓவர்ஷூட்" பிரதேசம்) ( பைக்யூபிக் இடைக்கணிப்பு )
-
மீண்டும் மீண்டும் இழைமங்கள் (செங்கல் சுவர்கள் நகல்-ஒட்டு வடிவங்களாக மாறும்)
-
"அல்காரிதம்" என்று கத்தும் மொறுமொறுப்பான மைக்ரோ-கான்ட்ராஸ்ட்
-
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
துல்லியமான பிக்சல்களை விட ஆழமான அம்சங்களை ("இது ஒத்ததாக இருக்கிறதா" போன்றவை) ஒப்பிடுகிறது ( புலனுணர்வு இழப்புகள் (ஜான்சன் மற்றும் பலர், 2016) ). -
எதிர்விளைவு இழப்பு (GAN)
SRGAN , ஜெனரேட்டிவ் எதிர்விளைவு நெட்வொர்க்குகள் விலையாகக் கொடுக்கும் .
தொடர்ந்து ஒரு இழுபறி நிலவுகிறது:
-
அசல்
vs. 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
இந்த மாதிரி சுருக்கத் தொகுதிகளை "அமைப்பு" என்று கருதக்கூடும் என்பதால் இவை கடினமானவை.
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. -
இழைமங்கள் மிகவும் தீவிரமாகத் தெரிந்தால்
கீழ் "விவர மேம்பாடு" அல்லது "விவரத்தை மீட்டெடு" ஸ்லைடர்கள், பின்னர் நுட்பமான தானியத்தைச் சேர்க்கவும். -
விளிம்புகள் ஒளிர்ந்தால்
கூர்மைப்படுத்தலைக் குறைத்து, ஒளிவட்ட அடக்க விருப்பங்களைச் சரிபார்க்கவும். -
படம் அதிகமாக "AI" போல் இருந்தால்,
இன்னும் பழமைவாதமாகச் செல்லுங்கள். சில நேரங்களில் சிறந்த நடவடிக்கை வெறுமனே... குறைவாக 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, இது பொதுவாக நன்றாக இருக்கும் (மற்றும் அழகாக இருக்கும்). பத்திரிகை, சட்ட சான்றுகள், மருத்துவ இமேஜிங் அல்லது நம்பகத்தன்மை முக்கியத்துவம் வாய்ந்த எதிலும்... நீங்கள் கவனமாக இருக்க வேண்டும் ( OSAC/NIST: தடயவியல் டிஜிட்டல் பட மேலாண்மைக்கான நிலையான வழிகாட்டி , தடயவியல் பட பகுப்பாய்விற்கான SWGDE வழிகாட்டுதல்கள் ).
ஒரு எளிய விதி:
-
ஆபத்து அதிகமாக இருந்தால், AI மேம்பாட்டை உறுதியானதாக அல்ல, 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 🧡✅
எனவே, AI அப்ஸ்கேலிங் எவ்வாறு செயல்படுகிறது என்பது இதுதான்: உயர் தெளிவுத்திறன் விவரங்கள் குறைந்த தெளிவுத்திறன் வடிவங்களுடன் எவ்வாறு தொடர்புடையவை என்பதை மாதிரிகள் கற்றுக்கொள்கின்றன, பின்னர் அப்ஸ்கேலிங்கின் போது நம்பத்தகுந்த கூடுதல் பிக்சல்களைக் கணிக்கின்றன ( பட சூப்பர்-ரெசல்யூஷனுக்கான ஆழமான கற்றல்: ஒரு ஆய்வு ). மாதிரி குடும்பத்தைப் பொறுத்து (CNN, GAN, பரவல், வீடியோ-தற்காலிக), அந்த கணிப்பு பழமைவாதமாகவும் உண்மையாகவும் இருக்கலாம்... அல்லது தைரியமாகவும் சில சமயங்களில் தடையின்றியும் 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) )
-
மேல்நோக்கி அளவிடுதல் என்பது பெரும்பாலும் "நம்பத்தகுந்த மறுகட்டமைப்பு" ஆகும், சரியான உண்மை அல்ல ( SRGAN , ESRGAN )
நீங்கள் விரும்பினால், நீங்கள் எதை மேம்படுத்துகிறீர்கள் (முகங்கள், பழைய புகைப்படங்கள், வீடியோ, அனிம், உரை ஸ்கேன்கள்) என்று சொல்லுங்கள், பொதுவான "AI தோற்றம்" சிக்கல்களைத் தவிர்க்கும் ஒரு அமைப்பு உத்தியை நான் பரிந்துரைப்பேன் 🎯🙂
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
-
அடோப் உதவி மையம் - அடோப் 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