Хорошие кадры в темноте — тоже заслуга алгоритмов
Я уже рассказал о восстановлении качества на снимке при помощи нейронных сетей. Сегодня поговорим о другой проблеме фотографии, с которой сталкивался каждый.
Представим, вы захотели сфотографировать подругу при луне. Кинематографично падает свет, девушка улыбается — вы хотите запомнить момент. Достаете телефон, щелкаете, смотрите на результат в надежде увидеть шедевр, а там: во-первых, ничего не видно, во-вторых, в кадре непонятные цветные точки. Их появление — это проделки матрицы, которая из-за размера (в телефоне она маленькая) не собрала нужный объем информации, поэтому сама додумала отдельные куски.
Мы не можем изменить размер матрицы, но делать хорошие фотографии в темноте хотим. Как избавиться от случайного шума? За ответами производители обратились к машинному обучению.
Какое решение было найдено? Разработчики придумали не собирать датасет для задачи, а брать хорошие фотографии и искусственно их ухудшать. Почти под каждую матрицу уже есть математическая модель, которая симулирует испорченную фотографию и создает точками заранее. Выходит, что сначала надо создать шумы, чтобы затем обучить сетки с ними бороться. Матрица по-прежнему шалит, но теперь алгоритмы успешно с этим справляются.
Главный плюс подхода — система способна запоминать контекст, поэтому выдает адекватный результат даже в экстремальных условиях съемки. Из минусов — под каждую модель телефона нужно обучать свой алгоритм. Однако, учитывая, что сейчас только у ленивого производителя техники нет своего ИИ, в этом нет ничего страшного — машинное обучение стало рутинной работой.
Я уже рассказал о восстановлении качества на снимке при помощи нейронных сетей. Сегодня поговорим о другой проблеме фотографии, с которой сталкивался каждый.
Представим, вы захотели сфотографировать подругу при луне. Кинематографично падает свет, девушка улыбается — вы хотите запомнить момент. Достаете телефон, щелкаете, смотрите на результат в надежде увидеть шедевр, а там: во-первых, ничего не видно, во-вторых, в кадре непонятные цветные точки. Их появление — это проделки матрицы, которая из-за размера (в телефоне она маленькая) не собрала нужный объем информации, поэтому сама додумала отдельные куски.
Мы не можем изменить размер матрицы, но делать хорошие фотографии в темноте хотим. Как избавиться от случайного шума? За ответами производители обратились к машинному обучению.
Какое решение было найдено? Разработчики придумали не собирать датасет для задачи, а брать хорошие фотографии и искусственно их ухудшать. Почти под каждую матрицу уже есть математическая модель, которая симулирует испорченную фотографию и создает точками заранее. Выходит, что сначала надо создать шумы, чтобы затем обучить сетки с ними бороться. Матрица по-прежнему шалит, но теперь алгоритмы успешно с этим справляются.
Главный плюс подхода — система способна запоминать контекст, поэтому выдает адекватный результат даже в экстремальных условиях съемки. Из минусов — под каждую модель телефона нужно обучать свой алгоритм. Однако, учитывая, что сейчас только у ленивого производителя техники нет своего ИИ, в этом нет ничего страшного — машинное обучение стало рутинной работой.