Kolorieren Bilder mit tiefen neuronalen Netzen bitcoin com

Das vorgeschlagene System verwendet AI ein Graustufenbild (links) kolorieren, durch den Benutzer geführt Farb ‚deutet‘ (zweite), die Fähigkeit zur Bereitstellung von schnell mehrere plausible colorizations (Mitte rechts) zu erzeugen Bergbau bitcoin gratis. Credit: Foto von Migrant Mother von Dorothea Lange, 1936 (Library of Congress, Druck & Fotografie-Abteilung, FSA / OWI Sammlung, Reproduktionsnummer: LC-USF34-9058-C)..

Seit Jahrzehnten hat Bild colorization ein dauerhaftes Interesse der Öffentlichkeit bitcoin Kappe genossen. Obwohl nicht ohne seinen Anteil an Verleumdern, es ist etwas mächtig über diesen einfachen Akt der Farbe in Schwarz-Weiß-Bilder, ob es ein Weg geben, die Erinnerungen zwischen den Generationen überbrücken, oder zum Ausdruck künstlerische Kreativität.


Allerdings kann der Prozess der manuellen Hinzufügen von Farbe sehr zeitaufwendig sein und Know-how erfordern, mit typischen professionellen Prozessen Stunden oder Tagen pro Bild Einnahme zu perfektionieren, wie eine starten bitcoin Konto. Ein Team von Forschern hat eine neue Technik zu nutzen, tiefe Netzwerke und KI, die Neulinge vorgeschlagen, auch solche mit begrenzten künstlerischer Fähigkeit, schnell zu produzieren vernünftige Ergebnisse ermöglicht.

Die Forschung, mit dem Titel "Real-Time User-Guided Colorization mit Learned Tiefe Priors," wird von einem Team an der UC Berkeley Leitung von Alexei Ein Bitcoin Bergbau Rate verfasst. Efros, Professor für Elektrotechnik und Informatik bitcoin 2011. Sie werden ihre Arbeit auf der SIGGRAPH 2017 präsentieren, die die innovativsten in der Computergraphik Forschung und interaktive Techniken weltweit bitcoin ppt-Strahler. Die jährliche Konferenz wird in Los Angeles, 30. Juli – 3. August statt.

In früheren Arbeiten, trainiert das Team ein tiefes Netzwerk auf großen visuellen Daten (eine Million Bilder) automatisch Graustufen-Bilder kolorieren, ohne Benutzereingriff bitcoin Diagramm wird. Während die Ergebnisse manchmal sehr gut waren, war es anfällig für bestimmte Artefakte Bitcoin uns Preis. Eine wesentliche Einschränkung war, dass die Farbe von vielen Objekten, zum Beispiel Hemden-inhärent mehrdeutig sein bitcoin Unternehmen Stock. Das System konnte letztlich nur auf eine Möglichkeit entscheiden.

"Das Ziel unseres vorherigen Projekt war es nur ein einziges plausible Einfärben zu erhalten," sagt Richard Zhang, ein Co-Autor und Doktorand von Professor Efros beraten. "Wenn der Benutzer das Ergebnis nicht gefallen hat, oder wollte etwas ändern zu können, waren sie kein Glück. Wir stellten fest, dass der Benutzer befähigt und sie in der Schleife Zugabe war tatsächlich eine notwendige Komponente wünschenswerte Ergebnisse zu erhalten."

Das neue Netzwerk wird auf einem Graustufenbild ausgebildete, zusammen mit simulierten Benutzereingaben. Das System verbessert bei früheren automatischen Einfärben Systeme durch den Anwender ermöglicht, in Echtzeit, zu korrigieren und die Kolorierung anpassen. Der Benutzer gibt Anleitung durch farbige Punkte hinzufügen oder "Hinweise", Der das System breitet sich dann zu dem Rest des Bildes i verwenden bitcoin bei Amazon. Das Netz lernt auch gemeinsame Farben für verschiedene Objekte und gibt entsprechende Empfehlungen an den Benutzer. Obwohl das neue System nur auf natürlichen Bilder-zum Beispiel trainiert wird, Elefanten sind in der Regel braun oder grau-das System auch gerne dem Benutzers Launen folgen, so dass out-of-the-box-Färbung. Zum Beispiel ist unnatürlich ein rosaer Elefant-wenn auch nicht tabu.

Um das System zu bewerten, testeten die Forscher ihre Schnittstelle auf unerfahrene Anwender, herausfordernde sie eine realistische Kolorierung einer zufällig ausgewählten Graustufenbild zu erzeugen. Auch bei minimaler Schulung und begrenzten Zeit nur eine Minute pro Bild dieser Benutzer schnell gelernt, wie colorizations zu produzieren, die oft echte menschliche Richter in einem realen gegen gefälschtes Testszenario täuschen.

Tief Netzwerke werden verstärkt in Grafiken verwendet. Vielleicht nach dem verbleibenden Herausforderungen, wie die Straffung Speicherauslastung und Hardwareanforderungen zu erobern, zusammen mit mit vorhandenen Bildbearbeitungs-Tools zu integrieren, ein System wie dieses könnte seinen Weg in kommerzielle Werkzeuge zur Bildbearbeitung finden.