Як працює масштабування штучного інтелекту

Як працює масштабування за допомогою штучного інтелекту?

Коротка відповідь: масштабування за допомогою штучного інтелекту працює шляхом навчання моделі на парних зображеннях з низькою та високою роздільною здатністю, а потім використання цього методу для прогнозування правдоподібних додаткових пікселів під час масштабування. Якщо модель бачила подібні текстури або обличчя під час навчання, вона може додати переконливих деталей; якщо ні, вона може «галюцинувати» артефакти, такі як ореоли, воскова шкіра або мерехтіння у відео.

Ключові висновки:

Прогноз : Модель генерує правдоподібні деталі, а не гарантовану реконструкцію реальності.

Вибір моделі : CNN, як правило, стабільніші; GAN можуть виглядати чіткішими, але ризикують винаходити нові функції.

Перевірка артефактів : зверніть увагу на ореоли, повторювані текстури, «майже літери» та пластикові обличчя.

Стабільність відео : Використовуйте часові методи, інакше ви побачите мерехтіння та дрейф кадр за кадром.

Використання з високими ставками : якщо точність має значення, розкрийте обробку та розглядайте результати як ілюстративні.

Як працює масштабування ШІ? Інфографіка.

Ви, мабуть, бачили таке: крихітне, хрусткое зображення перетворюється на щось достатньо чітке, щоб його можна було роздрукувати, переглянути в потоковому режимі або вставити в презентацію, не здригаючись. Це схоже на шахрайство. І – у найкращому сенсі – так воно і є 😅

Отже, як працює масштабування за допомогою штучного інтелекту, зводиться до чогось більш конкретного, ніж «комп'ютер покращує деталі» (хвиляста рука), і ближче до «модель передбачає правдоподібну структуру з високою роздільною здатністю на основі шаблонів, які вона вивчила з багатьох прикладів» ( Глибоке навчання для надроздільної здатності зображень: опитування ). Цей крок прогнозування і є всією грою, і саме тому масштабування за допомогою штучного інтелекту може виглядати приголомшливо… або трохи пластиково… або як у вашої кішки виросли додаткові вуса.

Статті, які вам, можливо, буде цікаво прочитати після цієї:

🔗 Як працює ШІ
Вивчіть основи моделей, даних та логічних висновків у штучному інтелекті.

🔗 Як навчається ШІ
Дізнайтеся, як навчальні дані та зворотний зв'язок покращують продуктивність моделі з часом.

🔗 Як ШІ виявляє аномалії
Зрозумійте базові шаблони та те, як ШІ швидко позначає незвичайну поведінку.

🔗 Як штучний інтелект прогнозує тенденції
Дослідіть методи прогнозування, які виявляють сигнали та передбачають майбутній попит.

Як працює масштабування штучного інтелекту: основна ідея, простими словами 🧩

Масштабування означає збільшення роздільної здатності: більше пікселів, більше зображення. Традиційне масштабування (наприклад, бікубічна) по суті розтягує пікселі та згладжує переходи ( бікубічна інтерполяція ). Це добре, але воно не може створити нові деталі — воно просто інтерполює.

Масштабування ШІ пробує щось сміливіше (також відоме як «суперроздільна здатність» у світі досліджень) ( Глибоке навчання для надроздільної здатності зображень: опитування ):

  • Він розглядає вхідний сигнал з низькою роздільною здатністю

  • Розпізнає візерунки (краї, текстури, риси обличчя, штрихи тексту, переплетення тканини…)

  • має виглядати версія з вищою роздільною здатністю

  • Генерує додаткові піксельні дані, які відповідають цим шаблонам

Не «ідеально відновити реальність», а радше «зробити дуже правдоподібне припущення» ( Зображення з надроздільною здатністю за допомогою глибоких згорткових мереж (SRCNN) ). Якщо це звучить трохи підозріло, ви не помиляєтесь — але саме тому це так добре працює 😄

І так, це означає, що масштабування за допомогою штучного інтелекту — це, по суті, контрольована галюцинація… але продуктивний спосіб з урахуванням пікселів.

Що робить масштабування ШІ гарною версією? ✅🛠️

Якщо ви оцінюєте масштабування за допомогою штучного інтелекту (або пресет налаштувань), ось що, як правило, має найбільше значення:

  • Відновлення деталей без пересмажування.
    Гарне масштабування додає хрусткості та структури, а не хрусткого шуму чи штучних пор.

  • Дисципліна на краях.
    Чисті лінії залишаються чистими. Погані моделі призводять до коливань країв або появи ореолів.

  • Реалізм текстури.
    Волосся не повинно перетворюватися на мазок пензля. Цегла не повинна перетворюватися на штамп із повторюваним візерунком.

  • Обробка шуму та стиснення.
    Багато повсякденних зображень перетворюються на JPEG до смерті. Гарний апскейлер не посилює цю шкоду ( Real-ESRGAN ).

  • Розпізнавання облич і тексту
    Найлегше помітити помилки можна на обличчях і в тексті. Хороші моделі ставляться до них дбайливо (або мають спеціалізовані режими).

  • Узгодженість між кадрами (для відео).
    Якщо деталі мерехтять кадр за кадром, ваші очі кричать. Масштабування відео залежить від часової стабільності ( BasicVSR (CVPR 2021) ).

  • Елементи керування, які мають сенс.
    Вам потрібні повзунки, які відповідають реальним результатам: шумозаглушення, усунення розмиття, видалення артефактів, збереження зернистості, підвищення різкості… практичні речі.

Тихе правило, яке залишається незмінним: «найкраще» масштабування часто ледве помічаєш. Просто здається, що у тебе спочатку була краща камера 📷✨

Порівняльна таблиця: популярні варіанти масштабування ШІ (і для чого вони корисні) 📊🙂

Нижче наведено практичне порівняння. Ціни навмисно розмиті, оскільки інструменти відрізняються залежно від ліцензії, пакетів, вартості обчислень та всіх інших цікавих речей.

Інструмент / Підхід Найкраще для Цінова атмосфера Чому це працює (приблизно)
Розширення для настільних комп'ютерів у стилі Topaz ( фото Topaz , відео Topaz ) Фото, відео, простий робочий процес Платний Потужні загальні моделі + багато налаштувань, здебільшого «просто працюють»…
Функції типу Adobe «Super Resolution» ( Adobe Enhance > Super Resolution ) Фотографи, які вже в цій екосистемі Підписка Реконструкція з глибокими деталями, зазвичай консервативна (менш драматична)
Real-ESRGAN / варіанти ESRGAN ( Real-ESRGAN , ESRGAN ) Зроби сам, розробники, пакетні завдання Безкоштовно (але вимагає багато часу) Чудово передає деталі текстури, може бути гострим на обличчі, якщо не бути обережним
Режими масштабування на основі дифузії ( SR3 ) Творча робота, стилізовані результати Змішаний Може створювати чудові деталі, але також може вигадувати нісенітницю, тож… так
Ігрові апскейлери (у стилі DLSS/FSR) ( NVIDIA DLSS , AMD FSR 2 ) Ігри та рендеринг у реальному часі У комплекті Використовує дані про рух та вивчені апріорні зміни — плавна перемога в продуктивності 🕹️
Сервіси масштабування хмарних ресурсів Зручність, швидкі перемоги Оплата за використання Швидкий + масштабований, але ви жертвуєте контролем, а іноді й тонкістю
ШІ-апскейлери, орієнтовані на відео ( BasicVSR , Topaz Video ) Старі кадри, аніме, архіви Платний Тимчасові хитрощі для зменшення мерехтіння + спеціалізовані відеомоделі
Збільшення масштабу для «смартфонів»/галереї Повсякденне використання Включено Легкі моделі, налаштовані на приємний результат, а не на досконалість (все ще зручні)

Зізнання щодо особливості форматування: «Платний» варіант виконує багато роботи в цій таблиці. Але ви зрозуміли ідею 😅

Великий секрет: моделі вивчають маппінг від низької до високої роздільної здатності 🧠➡️🖼️

В основі більшості масштабувань штучного інтелекту лежить система навчання з учителем ( Надмірна роздільна здатність зображень з використанням глибоких згорткових мереж (SRCNN) ):

  1. Почніть із зображень високої роздільної здатності («правда»)

  2. Зменшити їх роздільну здатність до версій з низькою роздільною здатністю («вхідні дані»)

  3. Навчити модель для реконструкції оригінальної високої роздільної здатності з низької

З часом модель вивчає такі кореляції, як:

  • «Таке розмиття навколо ока зазвичай пов'язане з віями»

  • «Цей кластер пікселів часто вказує на текст із засічками»

  • «Цей градієнт краю схожий на лінію даху, а не на випадковий шум»

Це не запам'ятовування конкретних зображень (у простому сенсі), це вивчення статистичної структури ( Глибоке навчання для надроздільної здатності зображень: опитування ). Уявіть собі це як вивчення граматики текстур і країв. Не поетична граматика, радше… граматика посібника IKEA 🪑📦 (незграбна метафора, але досить близька).

Основні моменти: що відбувається під час логічного висновку (коли ви масштабуєте) ⚙️✨

Коли ви передаєте зображення в апскейлер зі штучним інтелектом, зазвичай існує такий конвеєр:

  • Попередня обробка

  • Вилучення ознак

    • Ранні шари виявляють краї, кути, градієнти

    • Глибші шари виявляють візерунки: текстури, форми, компоненти обличчя

  • Реконструкція

    • Модель генерує карту ознак з вищою роздільною здатністю

    • Потім перетворює це на фактичний піксельний вихід

  • Післяобробка

    • Додаткове заточування

    • Додаткове шумозаглушення

    • Додаткове придушення артефактів (дзвін, ореоли, блоковість)

Одна тонка деталь: багато інструментів збільшують масштаб плиток, а потім розтушовують шви. Чудові інструменти приховують межі плиток. Але ж інструменти залишають ледь помітні сліди сітки, якщо примружитися. І так, ви примружитеся, бо люди люблять розглядати дрібні недоліки зі збільшенням 300%, як маленькі гремліни 🧌

Основні сімейства моделей, що використовуються для масштабування ШІ (і чому вони відрізняються) 🤖📚

1) Надроздільна здатність на основі CNN (класична робоча конячка)

Згорткові нейронні мережі чудово працюють з локальними шаблонами: краями, текстурами, малими структурами ( Зображення з надвисокою роздільною здатністю за допомогою глибоких згорткових мереж (SRCNN) ).

  • Плюси: швидкий, стабільний, менше сюрпризів

  • Мінуси: може виглядати трохи «обробленим», якщо сильно натиснути

2) Масштабування на основі GAN (у стилі ESRGAN) 🎭

GAN (генеративно-змагальні мережі) навчають генератор створювати зображення високої роздільної здатності, які дискримінатор не може відрізнити від реальних ( генеративно-змагальні мережі ).

  • Плюси: яскраві деталі, вражаюча текстура

  • Мінуси: можна вигадати деталі, яких не було — іноді неправильно, іноді моторошно ( SRGAN , ESRGAN )

GAN може забезпечити вам вражаючу різкість. Він також може додати вашому об'єкту зйомки ще одну брову. Тож… оберіть свої битви 😬

3) Масштабування на основі дифузії (творчий підстановлювальний знак) 🌫️➡️🖼️

Моделі дифузії поетапно усувають шум і можуть бути керовані для отримання деталей високої роздільної здатності ( SR3 ).

  • Плюси: може бути неймовірно вправним у правдоподібних деталях, особливо для творчої роботи

  • Мінуси: може відхилятися від оригінальної ідентичності/структури, якщо налаштування агресивні ( SR3 )

Саме тут «масштабування» починає перетворюватися на «переосмислення». Іноді це саме те, чого ви хочете. Іноді ні.

4) Масштабування відео з часовою узгодженістю 🎞️

Збільшення масштабу відео часто додає логіку з урахуванням руху:

  • Використовує сусідні кадри для стабілізації деталей ( BasicVSR (CVPR 2021) )

  • Намагається уникнути мерехтіння та повзаючих артефактів

  • Часто поєднує надроздільну здатність із шумозаглушенням та деінтерлейсингом ( Topaz Video )

Якщо масштабування зображення схоже на відновлення однієї картини, то масштабування відео схоже на відновлення фліпбуку без зміни форми носа персонажа на кожній сторінці. Що… складніше, ніж здається.

Чому масштабування за допомогою штучного інтелекту іноді виглядає фальшиво (і як це розпізнати) 👀🚩

Масштабування за допомогою штучного інтелекту зазнає невдачі у впізнавані способи. Як тільки ви вивчите закономірності, ви побачите їх скрізь, наприклад, купуєте нову машину і раптом помічаєте цю модель на кожній вулиці 😵💫

Звичайні розповіді:

  • Воскова депіляція обличчя (занадто багато шумозаглушення + згладжування)

  • Надмірно загострені ореоли по краях (класична територія «перерегулювання») ( бікубічна інтерполяція )

  • Повторювані текстури (цегляні стіни стають візерунками, що копіюються та вставляються)

  • Хрусткий мікроконтраст , що кричить про «алгоритм»

  • Спотворення тексту, де літери стають майже літерами (найгірший вид)

  • Зсув деталей , коли незначні особливості ледь помітно змінюються, особливо в дифузійних робочих процесах ( SR3 )

Найскладніше: іноді ці артефакти виглядають «краще» на перший погляд. Ваш мозок любить різкість. Але через мить це здається… дивним.

Гарна тактика — зменшити масштаб і перевірити, чи виглядає воно природно на звичайній відстані перегляду. Якщо воно добре виглядає лише при 400% збільшенні, це не перемога, це просто хобі 😅

Як працює масштабування ШІ: навчальна сторона без математичного головного болю 📉🙂

Навчання моделей з надвисокою роздільною здатністю зазвичай включає:

Типові види втрат:

  • Втрата пікселів (L1/L2)
    Забезпечує точність. Може призвести до дещо розмитих результатів.

  • Втрата сприйняття.
    Порівнює глибші ознаки (наприклад, «чи схоже »), а не точні пікселі ( Втрати сприйняття (Johnson et al., 2016) ).

  • Змагальні втрати (GAN)
    заохочують реалізм, іноді ціною буквальної точності ( SRGAN , генеративні змагальні мережі ).

Постійно триває перетягування каната:

  • Зробіть це вірним оригіналу
    проти

  • Зробіть це візуально приємним

Різні інструменти займають різні місця в цьому спектрі. І ви можете віддати перевагу одному з них залежно від того, чи реставруєте ви сімейні фотографії, чи готуєте плакат, де «гарний вигляд» важливіший за судово-медичну точність.

Практичні робочі процеси: фотографії, старі скани, аніме та відео 📸🧾🎥

Фотографії (портрети, пейзажі, знімки товарів)

Найкраща практика зазвичай така:

  • Спочатку злегка усуньте шум (за потреби)

  • Вишуканий номер з консервативними налаштуваннями

  • Додайте зернистість, якщо все здається занадто гладким (так, справді)

Зерно — як сіль. Занадто багато псує вечерю, але жодне з них не може бути трохи безвкусним 🍟

Старі скани та сильно стиснуті зображення

Це складніше, оскільки модель може розглядати блоки стиснення як «текстуру».
Спробуйте:

  • Видалення або розблокування артефактів

  • Потім вища категорія

  • Потім легке підвищення різкості (не надто… Я знаю, всі так кажуть, але все ж)

Аніме та лінійне мистецтво

Переваги лінійного мистецтва:

  • Моделі, що зберігають чисті краї

  • Зменшення галюцинацій текстур.
    Збільшення масштабу в аніме часто виглядає чудово, оскільки форми простіші та послідовніші. (Щасливчик.)

Відео

Відео додає додаткові кроки:

  • Знищення шуму

  • Деінтерлейсування (для певних джерел)

  • Висококласний

  • Часове згладжування або стабілізація ( BasicVSR (CVPR 2021) )

  • Додаткове повторне введення зерна для зчеплення

Якщо пропустити часову послідовність, то отримаєш це мерехтіння деталей. Як тільки помітиш його, то не зможеш його не бачити. Як скрипучий стілець у тихій кімнаті 😖

Вибір налаштувань без зайвих здогадок (невелика шпаргалка) 🎛️😵💫

Ось непоганий початковий настрій:

  • Якщо обличчя виглядають пластиковими,
    зменште шумозаглушення, зменшіть різкість, спробуйте модель або режим зі збереженням обличчя.

  • Якщо текстури виглядають занадто інтенсивними,
    зменште значення повзунків «покращення деталей» або «відновлення деталей», а потім додайте ледь помітну зернистість.

  • Якщо краї світяться,
    зменште різкість, перевірте параметри придушення ореолу.

  • Якщо зображення виглядає занадто «штучним»,
    будьте більш консервативними. Іноді найкращий крок — це просто… менше.

Також: не масштабуйте зображення до 8 разів лише тому, що можете. Чисте збільшення в 2 або 4 рази часто є оптимальним варіантом. Після цього ви просите модель написати фанфік про ваші пікселі 📖😂

Етика, автентичність та незручне питання «правди» 🧭😬

ШІ-масштабування розмиває межу:

  • Реставрація передбачає відновлення того, що було

  • Покращення передбачає додавання того, чого не було

З особистими фотографіями зазвичай все гаразд (і чудово). З журналістикою, юридичними доказами, медичною візуалізацією чи будь-чим, де важлива точність… потрібно бути обережним ( OSAC/NIST: Стандартний посібник з управління цифровими судовими зображеннями , Керівні принципи SWGDE з аналізу судових зображень ).

Просте правило:

  • Якщо ставки високі, розглядайте масштабування ШІ як ілюстрацію , а не остаточний варіант.

Також розкриття інформації має значення в професійному контексті. Не тому, що штучний інтелект — це зло, а тому, що аудиторія заслуговує знати, чи були деталі реконструйовані, чи зафіксовані. Це просто… шанобливо.

Заключні нотатки та короткий підсумок 🧡✅

Отже, масштабування за допомогою штучного інтелекту працює так: моделі вивчають, як деталі високої роздільної здатності пов'язані з візерунками низької роздільної здатності, а потім прогнозують правдоподібні додаткові пікселі під час масштабування ( Глибоке навчання для надроздільної здатності зображень: опитування ). Залежно від сімейства моделей (CNN, GAN, дифузія, відеочасова), це передбачення може бути консервативним і точним… або сміливим і часом непередбачуваним 😅

Короткий огляд

Якщо хочете, розкажіть мені, що ви масштабуєте (обличчя, старі фотографії, відео, аніме, сканування тексту), і я запропоную стратегію налаштувань, яка, як правило, уникатиме поширених пасток «AI-образу» 🎯🙂

Найчастіші запитання

Масштабування ШІ та як це працює

Масштабування за допомогою штучного інтелекту (часто його називають «суперроздільною здатністю») збільшує роздільну здатність зображення, прогнозуючи відсутність деталей високої роздільної здатності на основі шаблонів, вивчених під час навчання. Замість простого розтягування пікселів, як бікубічна інтерполяція, модель вивчає краї, текстури, грані та текстові штрихи, а потім генерує нові дані пікселів, які узгоджуються з цими вивченими шаблонами. Це менше «відновлення реальності» і більше «створення правдоподібної здогадки», яка звучить природно.

Збільшення розміру за допомогою штучного інтелекту порівняно з бікубічним або традиційним зміненням розміру

Традиційні методи масштабування (такі як бікубічний) переважно інтерполюють між існуючими пікселями, згладжуючи переходи без створення справді нових деталей. Масштабування за допомогою штучного інтелекту має на меті реконструювати правдоподібну структуру, розпізнаючи візуальні підказки та прогнозуючи, як виглядатимуть версії цих підказок з високою роздільною здатністю. Саме тому результати штучного інтелекту можуть здаватися значно чіткішими, а також тому вони можуть вводити артефакти або «винаходити» деталі, яких не було у вихідному зображенні.

Чому обличчя може виглядати восковим або надмірно гладким

Воскові обличчя зазвичай утворюються в результаті агресивного шумозаглушення та згладжування в поєднанні з підвищенням різкості, що видаляє природну текстуру шкіри. Багато інструментів обробляють шум і дрібну текстуру однаково, тому «очищення» зображення може стерти пори та ледь помітні деталі. Поширений підхід полягає в зменшенні шумозаглушення та підвищення різкості, використанні режиму збереження обличчя, якщо він доступний, а потім повторному додаванні трохи зернистості, щоб результат здавався менш пластичним і більш фотографічним.

Поширені артефакти масштабування ШІ, на які варто звернути увагу

Типові ознаки включають ореоли навколо країв, повторювані текстурні візерунки (як цеглинки, що копіюються та вставляються), хрусткий мікроконтраст і текст, який перетворюється на «майже літери». У робочих процесах на основі дифузії також можна побачити дрейф деталей, де дрібні особливості ледь помітно змінюються. Для відео мерехтіння та повзання деталей по кадрах є серйозними червоними прапорцями. Якщо зображення добре виглядає лише при максимальній збільшеності, налаштування, ймовірно, занадто агресивні.

Як результати апскейлерів GAN, CNN та дифузії відрізняються

Надроздільна здатність на основі CNN, як правило, стабільніша та передбачуваніша, але може виглядати «обробленою», якщо її сильно налаштувати. Варіанти на основі GAN (у стилі ESRGAN) часто створюють більш насичену текстуру та сприйняту різкість, але вони можуть створювати галюцинації неправильних деталей, особливо на обличчях. Масштабування на основі дифузії може створювати красиві, правдоподібні деталі, проте вони можуть відхилятися від початкової структури, якщо налаштування орієнтації або інтенсивності занадто сильні.

Практична стратегія налаштувань для уникнення вигляду «занадто штучного інтелекту»

Почніть з консервативного підходу: збільште масштаб у 2 або 4 рази, перш ніж переходити до екстремальних коефіцієнтів. Якщо обличчя виглядають пластиковими, зменште шумозаглушення та різкість і спробуйте режим з урахуванням обличчя. Якщо текстури стають занадто інтенсивними, зменште покращення деталей і подумайте про додавання ледь помітної зернистості після цього. Якщо краї світяться, зменште різкість і перевірте придушення ореолів або артефактів. У багатьох конвеєрах «менше» виграє, оскільки це зберігає правдоподібний реалізм.

Обробка старих сканів або зображень із високим ступенем стиснення JPEG перед масштабуванням

Стиснуті зображення є складними, оскільки моделі можуть сприймати блочні артефакти як реальну текстуру та посилювати їх. Звичайний робочий процес полягає в тому, щоб спочатку видалити або розблокувати артефакти, потім збільшити масштаб, а потім, за потреби, підвищити різкість. Для сканувань дбайливе очищення може допомогти моделі зосередитися на фактичній структурі, а не на пошкодженнях. Мета полягає в тому, щоб зменшити кількість «фальшивих текстурних сигналів», щоб спеціаліст з масштабування не був змушений робити впевнені припущення на основі шумних вхідних даних.

Чому масштабування відео складніше, ніж масштабування фотографій

Масштабування відео має бути однаковим для всіх кадрів, а не лише для одного статичного зображення. Якщо деталі мерехтять кадр за кадром, результат швидко починає відволікати. Підходи, орієнтовані на відео, використовують часову інформацію із сусідніх кадрів для стабілізації реконструкції та уникнення мерехтливих артефактів. Багато робочих процесів також включають шумозаглушення, деінтерлейсинг для певних джерел та додаткове повторне введення зернистості, щоб вся послідовність виглядала цілісною, а не штучно різкою.

Коли масштабування штучного інтелекту недоцільне або ризиковане

Масштабування за допомогою штучного інтелекту найкраще розглядати як покращення, а не як доказ. У важливих контекстах, таких як журналістика, юридичні докази, медична візуалізація чи судово-медична робота, створення «правдоподібних» пікселів може вводити в оману, оскільки може додавати деталі, які не були зафіксовані. Безпечнішим кадруванням є використання його для ілюстрації та розкриття того, що штучний інтелект обробив реконструйовані деталі. Якщо точність є критично важливою, збережіть оригінали та задокументуйте кожен крок обробки та налаштування.

Посилання

  1. arXiv - Глибоке навчання для надроздільної здатності зображень: Огляд - arxiv.org

  2. arXiv - Надроздільна здатність зображень з використанням глибоких згорткових мереж (SRCNN) - arxiv.org

  3. arXiv - Real-ESRGAN - arxiv.org

  4. arXiv - ESRGAN - arxiv.org

  5. arXiv - SR3 - arxiv.org

  6. Розробник NVIDIA - NVIDIA DLSS - developer.nvidia.com

  7. AMD GPUOpen - FidelityFX Super Resolution 2 - gpuopen.com

  8. Відкритий доступ Фонду комп'ютерного зору (CVF) - BasicVSR: Пошук основних компонентів у відео з надвисокою роздільною здатністю (CVPR 2021) - openaccess.thecvf.com

  9. arXiv - Генеративно-змагальні мережі - arxiv.org

  10. arXiv - SRGAN - arxiv.org

  11. arXiv - Втрати сприйняття (Джонсон та ін., 2016) - arxiv.org

  12. GitHub - Репозиторій Real-ESRGAN (варіанти плиток) - github.com

  13. Вікіпедія - Бікубічна інтерполяція - wikipedia.org

  14. Topaz Labs - Фото Топазу - topazlabs.com

  15. Topaz Labs - Відео про Topaz - topazlabs.com

  16. Довідковий центр Adobe – Adobe Enhance > Суперроздільна здатність – helpx.adobe.com

  17. NIST / OSAC - Стандартний посібник з управління цифровими зображеннями у судовій експертизі (версія 1.0) - nist.gov

  18. SWGDE - Керівні принципи судово-медичного аналізу зображень - swgde.org

Знайдіть найновіший штучний інтелект в офіційному магазині помічників зі штучним інтелектом

Про нас

Повернутися до блогу