Por: Gannon Burgett
Google detalla un nuevo método para mejorar la escala de imágenes, gracias a CSI , así como a muchos otros dramas criminales, la frase ‘Mejorar’ ha cobrado vida propia como una forma irónica de intentar extraer digitalmente información adicional de imágenes de baja resolución que simplemente no es ‘ t factible en situaciones del mundo real. ¿O es eso? Una nueva publicación de blog en Google AI Blog muestra una nueva tecnología desarrollada para mejorar imágenes de baja resolución con resultados increíbles.
La publicación del blog, titulada ‘ Generación de imágenes de alta fidelidad mediante modelos de difusión ‘ , explica cómo los investigadores de Google han desarrollado un par de tecnologías de inteligencia artificial que pueden tomar una imagen de baja resolución y aumentar constantemente la resolución mediante la destrucción selectiva y la reconstrucción de la imagen de entrada original.
El primer componente del proceso es la súper resolución a través de refinamientos repetidos ( SR3 ), ‘un modelo de difusión de súper resolución que toma como entrada una imagen de baja resolución y crea una imagen de alta resolución correspondiente a partir de ruido puro’. En esencia, este modelo aplica ruido gaussiano puro a una imagen de baja resolución antes de usar tecnologías de reducción de ruido para reconstruir de manera efectiva una imagen casi sin ruido que es cuatro veces la resolución de la entrada.
Luego, los investigadores usan Modelos de Difusión en Cascada ( CDM ) para aplicar inteligentemente ruido gaussiano y desenfocar la imagen de salida antes de repetir el proceso nuevamente. Esta técnica, que Google llama ‘aumento de acondicionamiento’, mejora la calidad de la imagen hasta el punto de que supera los métodos actuales de escalado de IA, que incluyen BigGAN-deep y VQ-VAE-2 .
Según Google, esta nueva tecnología «logra sólidos resultados de referencia en la tarea de superresolución para imágenes faciales y naturales cuando se escala a resoluciones 4x-8x de la imagen de entrada de baja resolución». Como se puede ver en la ilustración anterior, esto significa que una imagen de 64 x 64 píxeles puede generar una imagen impresionantemente clara de 1024 x 1024 píxeles.
| Resultados de superresolución: (arriba) 64×64> superresolución de caras de 512×512, (abajo) 64×64 -> superresolución de imagen natural de 256×256. |
Los investigadores de Google dicen que la tecnología ‘[impulsa] el rendimiento de los modelos de difusión al estado de la técnica en los puntos de referencia de generación de ImageNet de superresolución y condicional de clase’ y señala que están ‘emocionados de probar aún más los límites de los modelos de difusión para una amplia variedad de problemas de modelado generativo ».
