En un clin d'œil, les Guerriers et Chevaux en Terre Cuite ont cligné des yeux ! Un étranger a utilisé l'IA pour le restaurer

​Pendant mille ans, dès qu’ils clignent des yeux, c’est comme si l’histoire se répétait.

Il n'y a pas si longtemps, le blogueur étranger Panagiotis Constantinou a utilisé l'IA pour restaurer les guerriers en terre cuite de la dynastie Qin.

Ce qui est encore plus étonnant, c'est qu'il a également amené les anciens à faire de subtiles expressions dynamiques.

Regardez, les guerriers en terre cuite vous font un clin d'œil et vous sourient.

Après avoir visité les guerriers et les chevaux en terre cuite, tout le monde sera choqué par ces véritables monuments sculptés en argile. Regardez les guerriers et les chevaux en terre cuite restaurés avec l'IA, et ils se sont transformés en oncles de chair et de sang.

Les expressions de chaque guerrier et cheval en terre cuite sont diverses. Des milliers d'années ont passé, et il nous est difficile d'imaginer à quoi ils ressemblaient à cette époque.

Cet étranger a redonné vie à ces guerriers et vous a parlé pendant des milliers d'années.

Auparavant, Otani, le propriétaire de Station B UP, réparait également les Terracotta Warriors et faisait bouger leur bouche.

En fait, outre les guerriers et les chevaux en terre cuite, Panagiotis Constantinou a également réalisé une série de restaurations dynamiques d'empereurs égyptiens derrière les lignes ennemies, de philosophes grecs antiques, de la reine d'Angleterre, etc.

Profitons-en ensemble.

Rencontrez Marcus Crassus à travers le temps et l'espace

Marcus Crassus, l'homme le plus riche de la Rome antique tardive

​

Alexandre le Grand

Cléopâtre antique

Reine d'Angleterre

......

Avec cette série de réparations, les blogueurs étrangers sont également devenus populaires et ont attiré l'attention de nombreuses personnes.

Technologie de réparation

Alors, comment le travail de réparation de l'IA est-il généralement mis en œuvre ?

La plupart d'entre eux utilisent ces trois technologies : la première est DAIN pour le remplissage de trame, la seconde est ESRGAN pour l'amplification de résolution et la troisième est DeOldify pour la coloration.

DAIN : modèle d'interpolation d'images vidéo sensible à la profondeur (DAIN) qui détecte explicitement les occlusions en explorant les informations de profondeur. Ce projet a développé une couche de projection fluide sensible à la profondeur qui échantillonne préférentiellement les objets les plus proches pour synthétiser des images vidéo interpolées en milieu de flux.

ESRGAN : ESRGAN est amélioré par rapport à SRGAN et est principalement utilisé pour la super-résolution vidéo.

Contrairement au fait que les modèles profonds de SRGAN sont de plus en plus difficiles à former, les modèles ESRGAN plus profonds peuvent atteindre d'excellentes performances grâce à une formation simple. Le point central réside dans la stratégie d'interpolation du réseau qui équilibre la qualité visuelle et le rapport signal/bruit maximal. rapport.

DeOldify : DeOldify est formé à l'aide de NoGAN, ce qui est crucial pour obtenir des images stables et colorées.

La formation NoGAN combine les avantages des GAN (merveilleuse colorisation) tout en éliminant les effets secondaires (comme les objets scintillants dans les vidéos).

Qu'il s'agisse d'une image ou d'une vidéo, l'IA peut lui redonner vie, principalement grâce à sa puissante capacité d'apprentissage.

Nous jetons ici un bref aperçu du "soul GAN" indispensable à la réparation de l'IA.

Vous vous souvenez des images de chevaux et de zèbres se transformant l'un en l'autre ? C'est l'une des applications du GAN.

Par rapport à d'autres algorithmes d'apprentissage automatique classiques, le plus grand point d'innovation de l'algorithme GAN est qu'il combine le générateur et le discriminateur, afin que les deux puissent rivaliser pour atteindre un succès mutuel. atteindre enfin un état « à égalité ».

Prenons l'exemple des images. Après un entraînement répété, le discriminateur D espère distinguer avec précision quelle est la distribution réelle des données et quelle est la distribution des données du générateur. En même temps, le générateur G est également entraîné en continu, et espère enfin pouvoir le faire. être capable de Le discriminateur ne peut pas dire quelle image est réelle et laquelle est fausse.

De nos jours, de plus en plus de technologies telles que la réparation de l'IA, le changement de visage de l'IA, etc. sont indissociables du réseau GAN. Les problèmes qui tourmentaient autrefois le GAN, tels que les difficultés de convergence, ont été progressivement améliorés, et de plus en plus de technologies. ont été dérivés sur la base du GAN Avec des réseaux plus nombreux et meilleurs, tels que CycleGAN, StackGAN, etc., des images plus réalistes et plus vives sont présentées au public une par une.

C’est probablement l’époque où « tout peut être IA » ! Nous attendrons de voir quel genre de surprises visuelles l’IA continuera de nous apporter~~~​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!