ການຂະຫຍາຍ AI ເຮັດວຽກແນວໃດ?

ຄຳຕອບສັ້ນໆ: ການຍົກລະດັບ AI ເຮັດວຽກໂດຍການຝຶກອົບຮົມແບບຈຳລອງໃນຮູບພາບທີ່ມີຄວາມລະອຽດຕ່ຳ ແລະ ສູງທີ່ຈັບຄູ່ກັນ, ຈາກນັ້ນໃຊ້ມັນເພື່ອຄາດເດົາພິກເຊວພິເສດທີ່ໜ້າເຊື່ອຖືໄດ້ໃນລະຫວ່າງການຍົກລະດັບ. ຖ້າແບບຈຳລອງໄດ້ເຫັນໂຄງສ້າງ ຫຼື ໃບໜ້າທີ່ຄ້າຍຄືກັນໃນການຝຶກອົບຮົມ, ມັນສາມາດເພີ່ມລາຍລະອຽດທີ່ໜ້າເຊື່ອຖືໄດ້; ຖ້າບໍ່, ມັນອາດຈະ "ເຮັດໃຫ້ເກີດພາບຫຼອນ" ເຊັ່ນ: ຮາໂລ, ຜິວໜັງທີ່ເປັນຂີ້ເຜີ້ງ, ຫຼື ການກະພິບໃນວິດີໂອ. 

ບົດຮຽນຫຼັກ:

ການຄາດຄະເນ: ຮູບແບບສ້າງລາຍລະອຽດທີ່ເປັນໄປໄດ້, ບໍ່ແມ່ນການສ້າງຄວາມເປັນຈິງຄືນໃໝ່ທີ່ຮັບປະກັນ.

ການເລືອກຮູບແບບ: CNN ມັກຈະໝັ້ນຄົງກວ່າ; GAN ສາມາດເບິ່ງຄົມຊັດກວ່າ ແຕ່ມີຄວາມສ່ຽງທີ່ຈະປະດິດຄຸນສົມບັດຕ່າງໆຂຶ້ນມາ.

ການກວດສອບສິ່ງປະດິດ: ລະວັງຮາໂລ, ໂຄງສ້າງທີ່ຊ້ຳກັນ, "ເກືອບເປັນຕົວອັກສອນ", ແລະ ໃບໜ້າທີ່ເປັນພາດສະຕິກ.

ຄວາມໝັ້ນຄົງຂອງວິດີໂອ: ໃຊ້ວິທີການຊົ່ວຄາວ ຖ້າບໍ່ດັ່ງນັ້ນທ່ານຈະເຫັນແສງລະຍິບລະຍັບ ແລະ ລອຍໄປມາຈາກເຟຣມຫາເຟຣມ.

ການນຳໃຊ້ທີ່ມີຄວາມສ່ຽງສູງ: ຖ້າຄວາມຖືກຕ້ອງມີຄວາມສຳຄັນ, ໃຫ້ເປີດເຜີຍການປະມວນຜົນ ແລະ ປະຕິບັດຕໍ່ຜົນໄດ້ຮັບເປັນຕົວຢ່າງ.

ເຈົ້າອາດຈະເຄີຍເຫັນມັນແລ້ວ: ຮູບພາບນ້ອຍໆທີ່ຄົມຊັດຈະກາຍເປັນສິ່ງທີ່ຄົມຊັດພຽງພໍທີ່ຈະພິມ, ສະຕຣີມ, ຫຼືວາງລົງໃນບົດນຳສະເໜີໂດຍບໍ່ມີການສັ່ນ. ມັນຮູ້ສຶກຄືກັບການໂກງ. ແລະ - ໃນທາງທີ່ດີທີ່ສຸດ - ມັນຄ້າຍຄືກັບການໂກງ 😅

ສະນັ້ນ, ວິທີການເຮັດວຽກຂອງ AI Upscaling ແມ່ນຂຶ້ນກັບບາງສິ່ງບາງຢ່າງທີ່ເຈາະຈົງກວ່າ “ຄອມພິວເຕີເສີມຂະຫຍາຍລາຍລະອຽດ” (ເປັນຄື້ນມື) ແລະໃກ້ຄຽງກັບ “ຮູບແບບຄາດຄະເນໂຄງສ້າງຄວາມລະອຽດສູງທີ່ເປັນໄປໄດ້ໂດຍອີງໃສ່ຮູບແບບທີ່ມັນໄດ້ຮຽນຮູ້ຈາກຕົວຢ່າງຫຼາຍຢ່າງ” (ການຮຽນຮູ້ເລິກສຳລັບຮູບພາບ Super-resolution: ການສຳຫຼວດ). ຂັ້ນຕອນການຄາດຄະເນນັ້ນແມ່ນເກມທັງໝົດ - ແລະມັນແມ່ນເຫດຜົນທີ່ AI upscaling ສາມາດເບິ່ງສວຍງາມ… ຫຼືພາດສະຕິກເລັກນ້ອຍ… ຫຼືຄືກັບໜວດໂບນັດທີ່ແມວຂອງເຈົ້າເຕີບໃຫຍ່ຂຶ້ນ.

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ວິທີການເຮັດວຽກຂອງ AI
ຮຽນຮູ້ພື້ນຖານຂອງຮູບແບບ, ຂໍ້ມູນ ແລະ ການອະນຸມານໃນ AI.

🔗 ວິທີທີ່ AI ຮຽນຮູ້
ເບິ່ງວ່າຂໍ້ມູນການຝຶກອົບຮົມ ແລະ ຄຳຕິຊົມປັບປຸງປະສິດທິພາບຂອງຮູບແບບໄດ້ແນວໃດໃນໄລຍະເວລາ.

🔗 ວິທີທີ່ AI ກວດພົບຄວາມຜິດປົກກະຕິ
ເຂົ້າໃຈຮູບແບບພື້ນຖານຂອງຮູບແບບ ແລະ ວິທີທີ່ AI ລາຍງານພຶດຕິກຳທີ່ຜິດປົກກະຕິໄດ້ຢ່າງວ່ອງໄວ.

🔗 AI ຄາດຄະເນແນວໂນ້ມແນວໃດ
ສຳຫຼວດວິທີການຄາດຄະເນທີ່ກວດພົບສັນຍານ ແລະ ຄາດຄະເນຄວາມຕ້ອງການໃນອະນາຄົດ.

---

ວິທີການເຮັດວຽກຂອງ AI Upscaling: ແນວຄວາມຄິດຫຼັກ, ໃນຄຳສັບປະຈຳວັນ 🧩

ການຍົກລະດັບຂະໜາດໝາຍເຖິງການເພີ່ມຄວາມລະອຽດ: ພິກເຊວຫຼາຍຂຶ້ນ, ຮູບພາບໃຫຍ່ຂຶ້ນ. ການຍົກລະດັບຂະໜາດແບບດັ້ງເດີມ (ເຊັ່ນ: bicubic) ໂດຍພື້ນຖານແລ້ວຈະຍືດພິກເຊວ ແລະ ເຮັດໃຫ້ການຫັນປ່ຽນລຽບນຽນ (Bicubic interpolation). ມັນບໍ່ເປັນຫຍັງ, ແຕ່ມັນບໍ່ສາມາດປະດິດ ໃໝ່ - ມັນພຽງແຕ່ແຊກແຊງເທົ່ານັ້ນ.

ການຍົກລະດັບ AI ລອງໃຊ້ບາງສິ່ງບາງຢ່າງທີ່ກ້າຫານກວ່າ (ຫຼື "ຄວາມລະອຽດສູງ" ໃນໂລກການຄົ້ນຄວ້າ) (ການຮຽນຮູ້ເລິກສຳລັບຮູບພາບຄວາມລະອຽດສູງ: ການສຳຫຼວດ):

• ມັນເບິ່ງການປ້ອນຂໍ້ມູນທີ່ມີຄວາມລະອຽດຕ່ຳ

• ຮັບຮູ້ຮູບແບບ (ຂອບ, ໂຄງສ້າງ, ລັກສະນະໃບໜ້າ, ຮອຍຂໍ້ຄວາມ, ການທໍຜ້າ...)

• ຄາດເດົາວ່າລຸ້ນທີ່ມີຄວາມລະອຽດສູງ ຄວນ ເປັນ

• ສ້າງຂໍ້ມູນພິກເຊວພິເສດທີ່ເໝາະສົມກັບຮູບແບບເຫຼົ່ານັ້ນ

ບໍ່ແມ່ນ "ຟື້ນຟູຄວາມເປັນຈິງຢ່າງສົມບູນແບບ," ຄືກັບ "ຄາດເດົາໄດ້ຢ່າງໜ້າເຊື່ອຖືສູງ" (ຮູບພາບຄວາມລະອຽດສູງໂດຍໃຊ້ເຄືອຂ່າຍ Deep Convolutional Networks (SRCNN)). ຖ້າມັນຟັງແລ້ວໜ້າສົງໄສເລັກນ້ອຍ, ເຈົ້າກໍ່ບໍ່ຜິດ - ແຕ່ມັນກໍ່ເປັນເຫດຜົນທີ່ມັນເຮັດວຽກໄດ້ດີຫຼາຍ 😄

ແລະແມ່ນແລ້ວ, ນີ້ໝາຍຄວາມວ່າການຍົກລະດັບ AI ໂດຍພື້ນຖານແລ້ວແມ່ນການຄວບຄຸມພາບຫຼອນ… ແຕ່ໃນລັກສະນະທີ່ມີປະສິດທິພາບ ແລະ ເຄົາລົບພິກເຊວ.

---

ສິ່ງໃດທີ່ເຮັດໃຫ້ AI upscale ລຸ້ນທີ່ດີ? ✅🛠️

ຖ້າທ່ານກຳລັງຕັດສິນ AI upscaler (ຫຼືການຕັ້ງຄ່າທີ່ຕັ້ງໄວ້ລ່ວງໜ້າ), ນີ້ແມ່ນສິ່ງທີ່ມັກຈະສຳຄັນທີ່ສຸດ:

• ການກູ້ຄືນລາຍລະອຽດໂດຍບໍ່ຕ້ອງປຸງແຕ່ງຫຼາຍເກີນໄປ
  ການຍົກລະດັບທີ່ດີເພີ່ມຄວາມກອບ ແລະ ໂຄງສ້າງ, ບໍ່ແມ່ນສຽງລົບກວນທີ່ກອບ ຫຼື ຮູຂຸມຂົນປອມ.

• ລະບຽບວິໄນຂອງ
  ຂອບ ເສັ້ນທີ່ສະອາດຍັງຄົງສະອາດ. ຮູບແບບທີ່ບໍ່ດີເຮັດໃຫ້ຂອບສັ່ນໄຫວ ຫຼື ແຕກອອກເປັນວົງກົມ.

• ຄວາມສົມຈິງຂອງໂຄງສ້າງ
  ຜົມບໍ່ຄວນກາຍເປັນຮອຍແປງທາສີ. ດິນຈີ່ບໍ່ຄວນກາຍເປັນປະທັບຕາລວດລາຍທີ່ຊ້ຳກັນ.

• ການຈັດການສຽງລົບກວນ ແລະ ການບີບອັດ
  ຮູບພາບປະຈຳວັນຈຳນວນຫຼາຍຖືກ JPEG ທຳລາຍ. ຕົວຍົກລະດັບທີ່ດີບໍ່ໄດ້ເພີ່ມຄວາມເສຍຫາຍນັ້ນ (Real-ESRGAN).

• ການຮັບຮູ້ໃບໜ້າ ແລະ ຂໍ້ຄວາມ
  ໃບໜ້າ ແລະ ຂໍ້ຄວາມແມ່ນບ່ອນທີ່ງ່າຍທີ່ສຸດທີ່ຈະສັງເກດເຫັນຂໍ້ຜິດພາດ. ຮູບແບບທີ່ດີປະຕິບັດຕໍ່ພວກມັນຢ່າງສຸພາບ (ຫຼື ມີຮູບແບບພິເສດ).

• ຄວາມສອດຄ່ອງໃນທົ່ວເຟຣມຕ່າງໆ (ສຳລັບວິດີໂອ)
  ຖ້າລາຍລະອຽດກະພິບຈາກເຟຣມໜຶ່ງໄປຫາເຟຣມອື່ນ, ຕາຂອງທ່ານຈະຮ້ອງຂຶ້ນ. ການຍົກລະດັບວິດີໂອຈະຢູ່ລອດ ຫຼື ຕາຍຍ້ອນຄວາມໝັ້ນຄົງທາງດ້ານເວລາ (BasicVSR (CVPR 2021)).

• ການຄວບຄຸມທີ່ເຂົ້າໃຈງ່າຍ
  ທ່ານຕ້ອງການຕົວເລື່ອນທີ່ເຊື່ອມໂຍງກັບຜົນໄດ້ຮັບທີ່ແທ້ຈິງ: ການຫຼຸດສຽງລົບກວນ, ການຫຼຸດຄວາມມົວ, ການກຳຈັດສິ່ງປອມ, ການຮັກສາເມັດພືດ, ການເຮັດໃຫ້ຄົມ... ສິ່ງທີ່ເປັນປະໂຫຍດ.

ກົດລະບຽບທີ່ງຽບໆທີ່ຍັງຄົງຢູ່ຄືເກົ່າ: ການຍົກລະດັບ "ດີທີ່ສຸດ" ມັກຈະເປັນສິ່ງທີ່ເຈົ້າສັງເກດເຫັນໜ້ອຍໜຶ່ງ. ມັນເບິ່ງຄືວ່າເຈົ້າມີກ້ອງທີ່ດີກວ່າຕັ້ງແຕ່ເລີ່ມຕົ້ນ 📷✨

---

ຕາຕະລາງປຽບທຽບ: ຕົວເລືອກການຍົກລະດັບ AI ທີ່ໄດ້ຮັບຄວາມນິຍົມ (ແລະສິ່ງທີ່ພວກມັນດີສຳລັບ) 📊🙂

ຂ້າງລຸ່ມນີ້ແມ່ນການປຽບທຽບທີ່ໃຊ້ໄດ້ຈິງ. ລາຄາແມ່ນບໍ່ແນ່ນອນເພາະວ່າເຄື່ອງມືແຕກຕ່າງກັນໄປຕາມໃບອະນຸຍາດ, ຊຸດ, ຄ່າໃຊ້ຈ່າຍໃນການຄິດໄລ່, ແລະສິ່ງທີ່ມ່ວນໆທັງໝົດ.

ເຄື່ອງມື / ວິທີການ	ດີທີ່ສຸດສຳລັບ	ບັນຍາກາດລາຄາ	ເປັນຫຍັງມັນຈຶ່ງເຮັດວຽກ (ປະມານ)
ຕົວຍົກລະດັບໜ້າຈໍແບບ Topaz (ຮູບພາບ Topaz, ວິດີໂອ Topaz)	ຮູບພາບ, ວິດີໂອ, ຂັ້ນຕອນການເຮັດວຽກງ່າຍໆ	ແບບຈ່າຍເງິນ	ຮູບແບບທົ່ວໄປທີ່ເຂັ້ມແຂງ + ການປັບແຕ່ງຫຼາຍໆ, ມັກຈະ "ເຮັດວຽກໄດ້" ... ສ່ວນຫຼາຍແມ່ນ
ຄຸນສົມບັດປະເພດ “Super Resolution” ຂອງ Adobe (Adobe Enhance > Super Resolution)	ຊ່າງຖ່າຍຮູບຢູ່ໃນລະບົບນິເວດນັ້ນແລ້ວ	ການສະໝັກໃຊ້-y	ການສ້າງລາຍລະອຽດຄືນໃໝ່ທີ່ແຂງແກ່ນ, ໂດຍປົກກະຕິແລ້ວແມ່ນອະນຸລັກນິຍົມ (ມີລະຄອນໜ້ອຍລົງ)
ຕົວແປ Real-ESRGAN / ESRGAN (Real-ESRGAN, ESRGAN)	DIY, ນັກພັດທະນາ, ວຽກເຮັດງານທຳແບບ batch	ຟຣີ (ແຕ່ໃຊ້ເວລາຫຼາຍ)	ດີຫຼາຍໃນລາຍລະອຽດຂອງໂຄງສ້າງ, ສາມາດເຜັດໃສ່ໃບໜ້າໄດ້ຖ້າທ່ານບໍ່ລະມັດລະວັງ
ຮູບແບບການຍົກລະດັບໂດຍອີງໃສ່ການແຜ່ກະຈາຍ (SR3)	ວຽກງານສ້າງສັນ, ຜົນໄດ້ຮັບທີ່ມີຮູບແບບ	ປະສົມ	ສາມາດສ້າງລາຍລະອຽດທີ່ສວຍງາມ - ຍັງສາມາດປະດິດສິ່ງໄຮ້ສາລະໄດ້, ສະນັ້ນ... ແມ່ນແລ້ວ
ຕົວຍົກລະດັບເກມ (ແບບ DLSS/FSR) (Nvidia DLSS, AMD FSR 2)	ການຫຼິ້ນເກມ ແລະ ການສະແດງຜົນແບບເວລາຈິງ	ລວມເປັນຊຸດ	ໃຊ້ຂໍ້ມູນການເຄື່ອນໄຫວ ແລະ ຂໍ້ມູນເບື້ອງຕົ້ນທີ່ໄດ້ຮຽນຮູ້ - ປະສິດທິພາບທີ່ລຽບງ່າຍຊະນະ 🕹️
ບໍລິການຍົກລະດັບຄລາວ	ຄວາມສະດວກສະບາຍ, ໄຊຊະນະໄວ	ຈ່າຍຕໍ່ການນຳໃຊ້	ໄວ + ສາມາດຂະຫຍາຍໄດ້, ແຕ່ເຈົ້າແລກປ່ຽນການຄວບຄຸມ ແລະ ບາງຄັ້ງກໍ່ມີຄວາມລະອຽດອ່ອນ
ຕົວຍົກລະດັບ AI ທີ່ເນັ້ນໃສ່ວິດີໂອ (BasicVSR, Topaz Video)	ວິດີໂອເກົ່າ, ອະນິເມ, ເອກະສານເກັບມ້ຽນ	ແບບຈ່າຍເງິນ	ເຄັດລັບຊົ່ວຄາວເພື່ອຫຼຸດຜ່ອນການກະພິບ + ຮູບແບບວິດີໂອພິເສດ
ການຍົກລະດັບໂທລະສັບ/ຄັງຮູບພາບ “ສະຫຼາດ”	ການນຳໃຊ້ທົ່ວໄປ	ລວມມີ	ຮຸ່ນນ້ຳໜັກເບົາທີ່ປັບແຕ່ງມາເພື່ອໃຫ້ໄດ້ຜົນຜະລິດທີ່ໜ້າພໍໃຈ, ບໍ່ແມ່ນຄວາມສົມບູນແບບ (ຍັງສະດວກໃນການໃຊ້ງານ)

ການສາລະພາບກ່ຽວກັບການຈັດຮູບແບບ quirk: “Paid-ish” ກຳລັງເຮັດວຽກຫຼາຍຢ່າງໃນຕາຕະລາງນັ້ນ. ແຕ່ເຈົ້າເຂົ້າໃຈແລ້ວ 😅

---

ຄວາມລັບອັນໃຫຍ່ຫຼວງ: ນາງແບບຮຽນຮູ້ການສ້າງແຜນທີ່ຈາກຄວາມລະອຽດຕ່ຳໄປຫາຄວາມລະອຽດສູງ 🧠➡️🖼️

ຫົວໃຈຂອງການຍົກລະດັບ AI ສ່ວນໃຫຍ່ແມ່ນການຕັ້ງຄ່າການຮຽນຮູ້ທີ່ມີການຊີ້ນຳ (Image Super-Resolution Using Deep Convolutional Networks (SRCNN)):

1. ເລີ່ມຕົ້ນດ້ວຍຮູບພາບທີ່ມີຄວາມລະອຽດສູງ ("ຄວາມຈິງ")

2. ຫຼຸດຈຳນວນພວກມັນລົງເປັນລຸ້ນທີ່ມີຄວາມລະອຽດຕ່ຳ ("input")

3. ຝຶກຊ້ອມຮູບແບບເພື່ອສ້າງຄວາມລະອຽດສູງຕົ້ນສະບັບຄືນໃໝ່ຈາກຄວາມລະອຽດຕ່ຳ

ເມື່ອເວລາຜ່ານໄປ, ແບບຈຳລອງຮຽນຮູ້ຄວາມສຳພັນເຊັ່ນ:

• “ຄວາມມົວໆອ້ອມຮອບຕາແບບນີ້ມັກຈະເປັນຂອງຂົນຕາ”

• "ກຸ່ມພິກເຊວນີ້ມັກຈະຊີ້ບອກເຖິງຂໍ້ຄວາມ serif"

• "ການເລື່ອນຂອບນີ້ເບິ່ງຄືກັບເສັ້ນຫຼັງຄາ, ບໍ່ແມ່ນສຽງລົບກວນແບບສຸ່ມ"

ມັນບໍ່ແມ່ນການທ່ອງຈຳຮູບພາບສະເພາະ (ໃນຄວາມໝາຍງ່າຍໆ), ມັນແມ່ນການຮຽນຮູ້ໂຄງສ້າງທາງສະຖິຕິ (ການຮຽນຮູ້ເລິກສຳລັບຄວາມລະອຽດສູງສຸດຂອງຮູບພາບ: ການສຳຫຼວດ). ລອງຄິດເບິ່ງມັນຄືກັບການຮຽນຮູ້ໄວຍາກອນຂອງໂຄງສ້າງ ແລະ ຂອບ. ບໍ່ແມ່ນໄວຍາກອນບົດກະວີ, ຄ້າຍຄືກັບ... ໄວຍາກອນຄູ່ມື IKEA 🪑📦 (ຄຳປຽບທຽບທີ່ຫຍຸ້ງຍາກ, ແຕ່ໃກ້ຄຽງພໍສົມຄວນ).

---

ລາຍລະອຽດເພີ່ມເຕີມ: ສິ່ງທີ່ເກີດຂຶ້ນໃນລະຫວ່າງການອະນຸມານ (ເມື່ອທ່ານຍົກລະດັບ) ⚙️✨

ເມື່ອທ່ານປ້ອນຮູບພາບເຂົ້າໄປໃນຕົວຍົກລະດັບ AI, ໂດຍປົກກະຕິແລ້ວຈະມີທໍ່ສົ່ງແບບນີ້:

• ການປະມວນຜົນລ່ວງໜ້າ

  • ປ່ຽນພື້ນທີ່ສີ (ບາງຄັ້ງ)

  • ປັບຄ່າພິກເຊວໃຫ້ເປັນມາດຕະຖານ

  • ແບ່ງຮູບພາບອອກເປັນສ່ວນໆຖ້າມັນໃຫຍ່ (ການກວດສອບຄວາມເປັນຈິງຂອງ VRAM 😭) (Real-ESRGAN repo (ຕົວເລືອກກະເບື້ອງ))

• ການສະກັດເອົາຄຸນສົມບັດ

  • ຊັ້ນຕົ້ນໆກວດພົບຂອບ, ມຸມ, ແລະ ການໄລ່ສີ

  • ຊັ້ນທີ່ເລິກກວ່າຈະກວດພົບຮູບແບບຕ່າງໆ: ໂຄງສ້າງ, ຮູບຮ່າງ, ແລະ ອົງປະກອບຂອງໃບໜ້າ

• ການກໍ່ສ້າງຄືນໃໝ່

  • ຮູບແບບສ້າງແຜນທີ່ຄຸນສົມບັດທີ່ມີຄວາມລະອຽດສູງ

  • ຫຼັງຈາກນັ້ນ, ປ່ຽນມັນໃຫ້ເປັນຜົນຜະລິດພິກເຊວຕົວຈິງ

• ການປະມວນຜົນຫຼັງການປະມວນຜົນ

  • ການເຮັດໃຫ້ຄົມຊັດຂຶ້ນເປັນທາງເລືອກ

  • ການຫຼຸດສຽງລົບກວນທາງເລືອກ

  • ການສະກັດກັ້ນສິ່ງປະດິດທາງເລືອກ (ສຽງດັງ, ຮາໂລ, ການບລັອກ)

ລາຍລະອຽດທີ່ລະອຽດອ່ອນອັນໜຶ່ງ: ເຄື່ອງມືຫຼາຍຢ່າງທີ່ຍົກລະດັບກະເບື້ອງ, ຈາກນັ້ນປະສົມຮອຍຕໍ່. ເຄື່ອງມືທີ່ດີເລີດເຊື່ອງຂອບເຂດກະເບື້ອງ. ເຄື່ອງມືທີ່ບໍ່ສາມາດໃຊ້ງານໄດ້ປະໄວ້ຮອຍຕາຂ່າຍທີ່ຈາງໆຖ້າທ່ານຫຼຽວຕາ. ແລະແມ່ນແລ້ວ, ທ່ານຈະຫຼຽວຕາ, ເພາະວ່າມະນຸດມັກກວດສອບຂໍ້ບົກຜ່ອງເລັກນ້ອຍດ້ວຍການຊູມ 300% ຄືກັບສັດນ້ອຍ 🧌

---

ຄອບຄົວຮູບແບບຫຼັກທີ່ໃຊ້ສຳລັບການຍົກລະດັບ AI (ແລະເຫດຜົນທີ່ພວກມັນຮູ້ສຶກແຕກຕ່າງ) 🤖📚

1) ຄວາມລະອຽດສູງທີ່ອີງໃສ່ CNN (ເປັນຮູບແບບການເຮັດວຽກແບບຄລາສສິກ)

ເຄືອຂ່າຍປະສາດແບບ Convolutional ແມ່ນດີເລີດໃນຮູບແບບທ້ອງຖິ່ນ: ຂອບ, ໂຄງສ້າງ, ໂຄງສ້າງຂະໜາດນ້ອຍ (ຮູບພາບທີ່ມີຄວາມລະອຽດສູງໂດຍໃຊ້ເຄືອຂ່າຍ Deep Convolutional Networks (SRCNN)).

• ຂໍ້ດີ: ໄວ, ໝັ້ນຄົງ, ໜ້ອຍລົງ, ບໍ່ແປກໃຈ

• ຂໍ້ເສຍ: ສາມາດເບິ່ງຄືວ່າ "ປະມວນຜົນ" ໜ້ອຍໜຶ່ງຖ້າຖືກຍູ້ແຮງ

2) ການຍົກລະດັບໂດຍອີງໃສ່ GAN (ແບບ ESRGAN) 🎭

GANs (ເຄືອຂ່າຍຄູ່ແຂ່ງທີ່ສ້າງຂື້ນ) ຝຶກອົບຮົມເຄື່ອງກຳເນີດໄຟຟ້າໃຫ້ຜະລິດຮູບພາບຄວາມລະອຽດສູງທີ່ຕົວຈຳແນກບໍ່ສາມາດແຍກແຍະໄດ້ຈາກຮູບພາບທີ່ແທ້ຈິງ (ເຄືອຂ່າຍຄູ່ແຂ່ງທີ່ສ້າງຂື້ນ).

• ຂໍ້ດີ: ລາຍລະອຽດທີ່ຄົມຊັດ, ໂຄງສ້າງທີ່ໜ້າປະທັບໃຈ

• ຂໍ້ເສຍ: ສາມາດປະດິດລາຍລະອຽດທີ່ບໍ່ມີຢູ່ - ບາງຄັ້ງຜິດພາດ, ບາງຄັ້ງກໍ່ແປກປະຫຼາດ (SRGAN, ESRGAN)

ຮູບ GAN ສາມາດໃຫ້ຄວາມຄົມຊັດທີ່ໜ້າຕື່ນເຕັ້ນໄດ້. ມັນຍັງສາມາດເຮັດໃຫ້ຮູບຄົນຂອງເຈົ້າມີຄິ້ວເພີ່ມເຕີມໄດ້. ສະນັ້ນ... ເລືອກການຕໍ່ສູ້ຂອງເຈົ້າ 😬

3) ການຍົກລະດັບໂດຍອີງໃສ່ການແຜ່ກະຈາຍ (ສັນຍາລັກສ້າງສັນ) 🌫️➡️🖼️

ຮູບແບບການແຜ່ກະຈາຍຈະຫຼຸດຜ່ອນສຽງລົບກວນໄປເທື່ອລະຂັ້ນຕອນ ແລະ ສາມາດນຳພາໃຫ້ຜະລິດລາຍລະອຽດທີ່ມີຄວາມລະອຽດສູງ (SR3).

• ຂໍ້ດີ: ສາມາດເກັ່ງຫຼາຍໃນລາຍລະອຽດທີ່ເປັນໄປໄດ້, ໂດຍສະເພາະສຳລັບວຽກງານສ້າງສັນ

• ຂໍ້ເສຍ: ສາມາດຫຼົງທາງຈາກຕົວຕົນ/ໂຄງສ້າງເດີມໄດ້ ຖ້າການຕັ້ງຄ່າມີຄວາມຮຸກຮານ (SR3)

ນີ້ແມ່ນບ່ອນທີ່ "ການຍົກລະດັບຂະໜາດ" ເລີ່ມປະສົມປະສານເຂົ້າກັບ "ການຈິນຕະນາການຄືນໃໝ່." ບາງຄັ້ງນັ້ນແມ່ນສິ່ງທີ່ເຈົ້າຕ້ອງການ. ບາງຄັ້ງມັນບໍ່ແມ່ນ.

4) ການຍົກລະດັບວິດີໂອດ້ວຍຄວາມສອດຄ່ອງທາງດ້ານເວລາ 🎞️

ການຍົກລະດັບວິດີໂອມັກຈະເພີ່ມເຫດຜົນທີ່ຮັບຮູ້ການເຄື່ອນໄຫວ:

• ໃຊ້ເຟຣມທີ່ຢູ່ຕິດກັນເພື່ອເຮັດໃຫ້ລາຍລະອຽດມີຄວາມໝັ້ນຄົງ (BasicVSR (CVPR 2021))

• ພະຍາຍາມຫຼີກລ່ຽງການກະພິບ ແລະ ສິ່ງປະດິດທີ່ເລືອຄານ

• ມັກຈະລວມເອົາຄວາມລະອຽດສູງກັບ denoise ແລະ deinterlacing (ວິດີໂອ Topaz)

ຖ້າການຍົກລະດັບຮູບພາບຄືກັບການຟື້ນຟູຮູບແຕ້ມໜຶ່ງຮູບ, ການຍົກລະດັບວິດີໂອກໍຄືກັບການກູ້ຄືນປື້ມ flipbook ໂດຍບໍ່ເຮັດໃຫ້ດັງຂອງຕົວລະຄອນປ່ຽນຮູບຮ່າງໃນແຕ່ລະໜ້າ. ເຊິ່ງມັນ... ຍາກກວ່າທີ່ມັນຟັງ.

---

ເປັນຫຍັງການຍົກລະດັບ AI ບາງຄັ້ງຈຶ່ງເບິ່ງຄືວ່າປອມ (ແລະວິທີການສັງເກດມັນ) 👀🚩

ການຍົກລະດັບ AI ລົ້ມເຫຼວໃນວິທີທີ່ຮັບຮູ້ໄດ້. ເມື່ອທ່ານຮຽນຮູ້ຮູບແບບຕ່າງໆ, ທ່ານຈະເຫັນພວກມັນຢູ່ທົ່ວທຸກແຫ່ງ, ເຊັ່ນການຊື້ລົດໃໝ່ ແລະ ທັນໃດນັ້ນກໍ່ສັງເກດເຫັນຮຸ່ນນັ້ນຢູ່ທຸກໆຖະໜົນ 😵💫

ທົ່ວໄປບອກວ່າ:

• ແວັກຊ໌ຜິວໜັງ ເທິງໃບໜ້າ (ຫຼຸດສຽງລົບກວນ + ເຮັດໃຫ້ລຽບເກີນໄປ)

• ຮາໂລທີ່ຄົມເກີນໄປ ອ້ອມຮອບຂອບ (ພື້ນທີ່ "ເກີນຂອບເຂດ" ແບບຄລາສສິກ) (ການແຊກແຊງສອງເທົ່າ)

• ໂຄງສ້າງທີ່ຊ້ຳກັນ (ກຳແພງອິດກາຍເປັນຮູບແບບການຄັດລອກ-ວາງ)

• ຄວາມຄົມຊັດຂະໜາດນ້ອຍທີ່ກົ້ມ ກົ້ມທີ່ຮ້ອງວ່າ "ອັລກໍຣິທຶມ"

• ຂໍ້ຄວາມເສຍຫາຍ ຈົນຕົວອັກສອນກາຍເປັນຕົວອັກສອນເກືອບທັງໝົດ (ປະເພດທີ່ຮ້າຍແຮງທີ່ສຸດ)

• ລາຍລະອຽດທີ່ເລື່ອນລອຍໄປ ບ່ອນທີ່ຄຸນສົມບັດນ້ອຍໆມີການປ່ຽນແປງຢ່າງລະອຽດອ່ອນ, ໂດຍສະເພາະໃນຂະບວນການເຮັດວຽກແບບແຜ່ກະຈາຍ (SR3)

ສ່ວນທີ່ຫຍຸ້ງຍາກ: ບາງຄັ້ງສິ່ງປະດິດເຫຼົ່ານີ້ເບິ່ງຄືວ່າ "ດີກວ່າ" ທັນທີທີ່ເຫັນ. ສະໝອງຂອງເຈົ້າມັກຄວາມຄົມຊັດ. ແຕ່ຫຼັງຈາກໄລຍະໜຶ່ງ, ມັນຮູ້ສຶກວ່າ... ບໍ່ຊັດເຈນ.

ຍຸດທະວິທີທີ່ດີຄືການຊູມອອກ ແລະ ກວດເບິ່ງວ່າມັນເບິ່ງເປັນທຳມະຊາດຫຼືບໍ່ໃນໄລຍະການເບິ່ງປົກກະຕິ. ຖ້າມັນເບິ່ງດີພຽງແຕ່ຊູມ 400%, ນັ້ນບໍ່ແມ່ນໄຊຊະນະ, ນັ້ນແມ່ນງານອະດິເລກ 😅

---

ວິທີການເຮັດວຽກຂອງ AI Upscaling: ດ້ານການຝຶກອົບຮົມ, ໂດຍບໍ່ມີການເຈັບຫົວທາງຄະນິດສາດ 📉🙂

ການຝຶກອົບຮົມຮູບແບບຄວາມລະອຽດສູງມັກຈະກ່ຽວຂ້ອງກັບ:

• ຊຸດຂໍ້ມູນທີ່ຈັບຄູ່ກັນ (ອິນພຸດຄວາມລະອຽດຕ່ຳ, ເປົ້າໝາຍຄວາມລະອຽດສູງ) (ຮູບພາບຄວາມລະອຽດສູງໂດຍໃຊ້ເຄືອຂ່າຍ Deep Convolutional Networks (SRCNN))

• ຟັງຊັນການສູນເສຍ ທີ່ລົງໂທດການສ້າງຄືນໃໝ່ທີ່ຜິດພາດ (SRGAN)

ປະເພດການສູນເສຍທົ່ວໄປ:

• ການສູນເສຍພິກເຊວ (L1/L2)
  ສົ່ງເສີມຄວາມແມ່ນຍຳ. ສາມາດສ້າງຜົນໄດ້ຮັບທີ່ອ່ອນລົງເລັກນ້ອຍ.

• ການສູນເສຍການຮັບຮູ້
  ປຽບທຽບລັກສະນະທີ່ເລິກເຊິ່ງກວ່າ (ເຊັ່ນ “ອັນນີ້ ເບິ່ງ ຄ້າຍຄືກັນບໍ່”) ແທນທີ່ຈະເປັນພິກເຊວທີ່ແນ່ນອນ (ການສູນເສຍການຮັບຮູ້ (Johnson et al., 2016)).

• ການສູນເສຍແບບສັດຕູ (GAN)
  ສົ່ງເສີມຄວາມເປັນຈິງ, ບາງຄັ້ງກໍ່ຕ້ອງເສຍຄວາມຖືກຕ້ອງຕາມຕົວໜັງສື (SRGAN, Generative Adversarial Networks).

ມີການດຶງເຊືອກຢ່າງຕໍ່ເນື່ອງ:

• ເຮັດໃຫ້ມັນ ຊື່ສັດ ຕໍ່ຕົ້ນສະບັບ
  vs

• ເຮັດໃຫ້ມັນ ເບິ່ງແລ້ວສະບາຍຕາ

ເຄື່ອງມືທີ່ແຕກຕ່າງກັນຈະວາງຢູ່ໃນສະຖານທີ່ທີ່ແຕກຕ່າງກັນໃນລະດັບນັ້ນ. ແລະ ທ່ານອາດຈະມັກອັນໜຶ່ງ ຂຶ້ນກັບວ່າທ່ານກຳລັງຟື້ນຟູຮູບພາບຄອບຄົວ ຫຼື ກຳລັງກະກຽມໂປສເຕີທີ່ “ຮູບຮ່າງດີ” ສຳຄັນກວ່າຄວາມຖືກຕ້ອງທາງດ້ານນິຕິວິທະຍາ.

---

ຂັ້ນຕອນການເຮັດວຽກທີ່ໃຊ້ໄດ້ຈິງ: ຮູບພາບ, ຮູບສະແກນເກົ່າ, ອານິເມ, ແລະ ວິດີໂອ 📸🧾🎥

ຮູບພາບ (ຮູບຄົນ, ພູມສັນຖານ, ຮູບຜະລິດຕະພັນ)

ວິທີປະຕິບັດທີ່ດີທີ່ສຸດໂດຍປົກກະຕິແລ້ວແມ່ນ:

• ຫຼຸດສຽງລົບກວນລົງເລັກນ້ອຍກ່ອນ (ຖ້າຈຳເປັນ)

• ຍົກລະດັບດ້ວຍການຕັ້ງຄ່າທີ່ອະນຸລັກ

• ຕື່ມເມັດເຂົ້າຄືນຖ້າສິ່ງຕ່າງໆຮູ້ສຶກວ່າລຽບເກີນໄປ (ແມ່ນແລ້ວ, ແທ້ໆ)

ເມັດພືດກໍຄືກັບເກືອ. ກິນຫຼາຍເກີນໄປກໍ່ເຮັດໃຫ້ອາຫານຄ່ຳເສຍຫາຍໄດ້, ແຕ່ບໍ່ມີອັນໃດທີ່ມີລົດຊາດຈືດໆໄດ້ເລີຍ 🍟

ການສະແກນເກົ່າ ແລະ ຮູບພາບທີ່ຖືກບີບອັດຢ່າງໜັກ

ສິ່ງເຫຼົ່ານີ້ຍາກກວ່າເພາະວ່າຮູບແບບອາດຈະປະຕິບັດຕໍ່ບລັອກການບີບອັດຄືກັບ "ໂຄງສ້າງ".
ລອງ:

• ການກຳຈັດ ຫຼື ການແກ້ໄຂບັນຫາສິ່ງປະດິດ

• ຫຼັງຈາກນັ້ນ, ຍົກລະດັບຂຶ້ນ

• ຈາກນັ້ນເຮັດໃຫ້ຄົມຊັດຂຶ້ນດ້ວຍແສງໜ້ອຍໆ (ບໍ່ຫຼາຍເກີນໄປ... ຂ້ອຍຮູ້, ທຸກຄົນກໍເວົ້າແບບນັ້ນ, ແຕ່ກໍຍັງ)

ອານິເມ ແລະ ຮູບແຕ້ມເສັ້ນ

ຜົນປະໂຫຍດຂອງສິລະປະເສັ້ນຈາກ:

• ຮູບແບບທີ່ຮັກສາຂອບທີ່ສະອາດ

• ການຫຼຸດຜ່ອນໂຄງສ້າງຫຼອນ ການ
  ຂະຫຍາຍອະນິເມມັກຈະເບິ່ງດີເພາະວ່າຮູບຮ່າງຕ່າງໆແມ່ນງ່າຍດາຍ ແລະ ສອດຄ່ອງກັນ. (ໂຊກດີ.)

ວິດີໂອ

ວິດີໂອເພີ່ມຂັ້ນຕອນເພີ່ມເຕີມ:

• ກຳຈັດສິ່ງລົບກວນ

• ຍົກເລີກການເຊື່ອມຕໍ່ (ສຳລັບແຫຼ່ງຂໍ້ມູນສະເພາະ)

• ລະດັບສູງ

• ການເຮັດໃຫ້ລຽບ ຫຼື ການເຮັດໃຫ້ສະຖຽນລະພາບຊົ່ວຄາວ (BasicVSR (CVPR 2021))

• ການແນະນຳເມັດພືດຄືນໃໝ່ທາງເລືອກເພື່ອຄວາມສອດຄ່ອງ

ຖ້າເຈົ້າຂ້າມຄວາມສອດຄ່ອງທາງດ້ານເວລາ, ເຈົ້າຈະໄດ້ຮັບລາຍລະອຽດທີ່ເຫຼື້ອມເປັນເງົາ. ເມື່ອເຈົ້າສັງເກດເຫັນມັນ, ເຈົ້າຈະບໍ່ສາມາດລືມມັນໄດ້. ຄືກັບຕັ່ງອີ້ທີ່ມີສຽງດັງກ້ອງຢູ່ໃນຫ້ອງທີ່ງຽບສະຫງົບ 😖

---

ການເລືອກການຕັ້ງຄ່າໂດຍບໍ່ຕ້ອງຄາດເດົາຢ່າງໂຫດຮ້າຍ (ເອກະສານເຄັດລັບນ້ອຍໆ) 🎛️😵💫

ນີ້ແມ່ນແນວຄິດເລີ່ມຕົ້ນທີ່ດີ:

• ຖ້າໃບໜ້າເບິ່ງຄືວ່າເປັນພລາສຕິກ
  ໃຫ້ຫຼຸດຜ່ອນການຫຼຸດສຽງລົບກວນ, ຫຼຸດຜ່ອນຄວາມຄົມຊັດ, ລອງໃຊ້ຮູບແບບ ຫຼື ໂໝດຮັກສາໃບໜ້າ.

• ຖ້າໂຄງສ້າງເບິ່ງເຂັ້ມເກີນໄປ
  ໃຫ້ຫຼຸດແຖບເລື່ອນ "ການປັບປຸງລາຍລະອຽດ" ຫຼື "ກູ້ຄືນລາຍລະອຽດ", ໃຫ້ເພີ່ມເມັດສີອ່ອນໆຕາມຫຼັງ.

• ຖ້າຂອບມີແສງ ຫຼື
  ຫຼຸດຄວາມຄົມລົງ, ໃຫ້ກວດສອບຕົວເລືອກການສະກັດກັ້ນຮາໂລ.

• ຖ້າຮູບພາບເບິ່ງຄືກັບ “AI” ເກີນໄປ
  ໃຫ້ໃຊ້ວິທີທີ່ລະມັດລະວັງຫຼາຍກວ່ານີ້. ບາງຄັ້ງການເຄື່ອນໄຫວທີ່ດີທີ່ສຸດກໍ່ຄື… ໜ້ອຍລົງ.

ນອກຈາກນີ້: ຢ່າຍົກລະດັບ 8x ພຽງແຕ່ຍ້ອນວ່າເຈົ້າສາມາດເຮັດໄດ້. 2x ຫຼື 4x ທີ່ສະອາດມັກຈະເປັນຈຸດທີ່ດີທີ່ສຸດ. ນອກຈາກນັ້ນ, ເຈົ້າກຳລັງຂໍໃຫ້ແບບຈຳລອງຂຽນ fanfiction ກ່ຽວກັບພິກເຊວຂອງເຈົ້າ 📖😂

---

ຈັນຍາບັນ, ຄວາມຖືກຕ້ອງ, ແລະ ຄຳຖາມທີ່ງຸ່ມງ່າມກ່ຽວກັບ "ຄວາມຈິງ" 🧭😬

ການຍົກລະດັບ AI ເຮັດໃຫ້ເສັ້ນໜຶ່ງມົວລົງ:

• ການຟື້ນຟູໝາຍເຖິງການຟື້ນຟູສິ່ງທີ່ມີຢູ່

• ການປັບປຸງໝາຍເຖິງການເພີ່ມສິ່ງທີ່ບໍ່ແມ່ນ

ດ້ວຍຮູບພາບສ່ວນຕົວ, ມັນມັກຈະບໍ່ເປັນຫຍັງ (ແລະ ໜ້າຮັກ). ດ້ວຍວຽກງານຂ່າວ, ຫຼັກຖານທາງກົດໝາຍ, ການຖ່າຍພາບທາງການແພດ, ຫຼືສິ່ງໃດກໍ່ຕາມທີ່ຄວາມຊື່ສັດມີຄວາມສຳຄັນ... ທ່ານຕ້ອງລະມັດລະວັງ (OSAC/NIST: ຄູ່ມືມາດຕະຖານສຳລັບການຈັດການຮູບພາບດິຈິຕອລທາງດ້ານນິຕິວິທະຍາ, ຄຳແນະນຳ SWGDE ສຳລັບການວິເຄາະຮູບພາບທາງດ້ານນິຕິວິທະຍາ).

ກົດລະບຽບງ່າຍໆ:

• ຖ້າມີຄວາມສ່ຽງສູງ, ໃຫ້ຖືວ່າການຍົກລະດັບ AI ເປັນ ຕົວຢ່າງ, ບໍ່ແມ່ນການສະຫຼຸບທີ່ແນ່ນອນ.

ນອກຈາກນັ້ນ, ການເປີດເຜີຍຂໍ້ມູນກໍ່ມີຄວາມສຳຄັນໃນສະພາບການວິຊາຊີບ. ບໍ່ແມ່ນຍ້ອນວ່າ AI ເປັນສິ່ງຊົ່ວຮ້າຍ, ແຕ່ຍ້ອນວ່າຜູ້ຊົມສົມຄວນທີ່ຈະຮູ້ວ່າລາຍລະອຽດຕ່າງໆໄດ້ຖືກສ້າງຄືນໃໝ່ ຫຼື ຖືກຈັບພາບ. ນັ້ນພຽງແຕ່... ເປັນທີ່ເຄົາລົບນັບຖື.

---

ບັນທຶກສະຫຼຸບ ແລະ ສະຫຼຸບສັ້ນໆ 🧡✅

ດັ່ງນັ້ນ, ວິທີການເຮັດວຽກຂອງ AI Upscaling ແມ່ນແບບນີ້: ແບບຈຳລອງຮຽນຮູ້ວ່າລາຍລະອຽດທີ່ມີຄວາມລະອຽດສູງ ມັກ ຈະກ່ຽວຂ້ອງກັບຮູບແບບທີ່ມີຄວາມລະອຽດຕ່ຳແນວໃດ, ຈາກນັ້ນຄາດຄະເນພິກເຊວພິເສດທີ່ໜ້າເຊື່ອຖືໄດ້ໃນລະຫວ່າງການ upscaling (ການຮຽນຮູ້ເລິກສຳລັບຮູບພາບທີ່ມີຄວາມລະອຽດສູງ: ການສຳຫຼວດ). ຂຶ້ນກັບຄອບຄົວແບບຈຳລອງ (CNN, GAN, ການແຜ່ກະຈາຍ, ວິດີໂອ-ເວລາ), ການຄາດຄະເນນັ້ນສາມາດເປັນແບບອະນຸລັກ ແລະ ຊື່ສັດ... ຫຼື ກ້າຫານ ແລະ ບາງຄັ້ງກໍ່ບໍ່ແນ່ນອນ 😅

ສະຫຼຸບໂດຍຫຍໍ້

• ການຍົກລະດັບແບບດັ້ງເດີມຂະຫຍາຍພິກເຊວ (Bicubic interpolation)

• ການຂະຫຍາຍຂະໜາດຂອງ AI ຄາດຄະເນລາຍລະອຽດທີ່ຂາດຫາຍໄປໂດຍໃຊ້ຮູບແບບທີ່ຮຽນຮູ້ມາ (ຮູບພາບທີ່ມີຄວາມລະອຽດສູງໂດຍໃຊ້ເຄືອຂ່າຍ Deep Convolutional Networks (SRCNN))

• ຜົນໄດ້ຮັບທີ່ດີເລີດມາຈາກຮູບແບບທີ່ຖືກຕ້ອງ + ການຍັບຍັ້ງ

• ລະວັງຮາໂລ, ໜ້າຜີວທີ່ຄ້າຍຄືຂີ້ເຜີ້ງ, ໂຄງສ້າງທີ່ຊ້ຳໆ ແລະ ການກະພິບໃນວິດີໂອ (BasicVSR (CVPR 2021))

• ການຍົກລະດັບມັກຈະເປັນ "ການສ້າງຄືນໃໝ່ທີ່ເປັນໄປໄດ້", ບໍ່ແມ່ນຄວາມຈິງທີ່ສົມບູນແບບ (SRGAN, ESRGAN)

ຖ້າເຈົ້າຕ້ອງການ, ບອກຂ້ອຍວ່າເຈົ້າກຳລັງຍົກລະດັບຫຍັງ (ໃບໜ້າ, ຮູບເກົ່າ, ວິດີໂອ, ອານິເມ, ການສະແກນຂໍ້ຄວາມ), ແລະຂ້ອຍຈະແນະນຳກົນລະຍຸດການຕັ້ງຄ່າທີ່ມັກຈະຫຼີກລ່ຽງຂໍ້ຜິດພາດທົ່ວໄປຂອງ "ຮູບລັກສະນະ AI" 🎯🙂

ຕົວຢ່າງໃນໂລກຕົວຈິງ: ການຍົກລະດັບຮູບພາບຜະລິດຕະພັນຕະຫຼາດເກົ່າ 📸

ສະຖານະການ

ຮ້ານຂາຍກ້ອງຖ່າຍຮູບມືສອງຂະໜາດນ້ອຍມີຮູບພາບຜະລິດຕະພັນ 40 ຮູບທີ່ສົ່ງອອກມາຈາກເວັບໄຊທ໌ເກົ່າທີ່ມີຄວາມກວ້າງ 800px. ເຈົ້າຂອງຕ້ອງການໃຊ້ພວກມັນຄືນໃໝ່ໃນໜ້າອີຄອມເມີຊໃໝ່, ບ່ອນທີ່ຂະໜາດຮູບພາບທີ່ແນະນຳແມ່ນກວ້າງ 1,600px.

ບັນຫາ: ການປ່ຽນຂະໜາດປົກກະຕິເຮັດໃຫ້ກ້ອງຖ່າຍຮູບເບິ່ງອ່ອນລົງ, ໃນຂະນະທີ່ການຍົກລະດັບ AI ທີ່ຮຸນແຮງສາມາດເຮັດໃຫ້ດ້າມຈັບຢາງ, ເລກລຳດັບ ແລະ ເຄື່ອງໝາຍເລນເບິ່ງຄືວ່າປອມ. ນັ້ນມີຄວາມສຳຄັນເພາະວ່າຜູ້ຊື້ອາໄສລາຍລະອຽດເຫຼົ່ານັ້ນກ່ອນທີ່ຈະຊື້.

ເປົ້າໝາຍບໍ່ແມ່ນເພື່ອ "ຟື້ນຟູ" ຂໍ້ມູນທີ່ຂາດຫາຍໄປຢ່າງສົມບູນແບບ. ແຕ່ແມ່ນເພື່ອສ້າງຮູບພາບລາຍຊື່ທີ່ສະອາດກວ່າ ໃນຂະນະທີ່ຮັກສາໄຟລ໌ຕົ້ນສະບັບໃຫ້ສາມາດໃຊ້ໄດ້ ເພາະວ່າການຍົກລະດັບ AI ຈະຄາດເດົາລາຍລະອຽດທີ່ເປັນໄປໄດ້ ແທນທີ່ຈະຮັບປະກັນຄວາມຈິງ.

ສິ່ງທີ່ຂະບວນການເຮັດວຽກຕ້ອງການ

ຮູບພາບຜະລິດຕະພັນຕົ້ນສະບັບ, ໂດຍສະເພາະແມ່ນລຸ້ນທີ່ບີບອັດໜ້ອຍທີ່ສຸດທີ່ມີຢູ່

ຂະໜາດຜົນຜະລິດເປົ້າໝາຍ, ເຊັ່ນ: ການຍົກລະດັບ 2× ຈາກຄວາມກວ້າງ 800px ຫາ 1,600px

ເຄື່ອງມື ຫຼື ຮູບແບບທີ່ມີຕົວຄວບຄຸມແຍກຕ່າງຫາກສຳລັບການຫຼຸດສຽງລົບກວນ, ການເຮັດໃຫ້ຄົມ ແລະ ການກຳຈັດສິ່ງປອມ

ລາຍການກວດສອບງ່າຍໆສຳລັບຂໍ້ຄວາມ, ຂອບ, ໂລໂກ້, ສະກູ, ປຸ່ມ, ເມັດໜັງ ແລະ ການສະທ້ອນ

ໂຟນເດີສຳລັບຕົ້ນສະບັບ ແລະ ໂຟນເດີແຍກຕ່າງຫາກສຳລັບການສົ່ງອອກທີ່ຖືກແກ້ໄຂ, ສະນັ້ນຈະບໍ່ມີຫຍັງຖືກຂຽນທັບ

ຕົວຢ່າງຄຳແນະນຳ

ໃຊ້ຄຳແນະນຳປະເພດນີ້ເມື່ອທົດສອບ AI upscaler:

ຍົກລະດັບຮູບພາບຜະລິດຕະພັນນີ້ຂຶ້ນ 2 ເທົ່າ ສຳລັບລາຍຊື່ອີຄອມເມີຊ. ຮັກສາຮູບຮ່າງຂອງວັດຖຸ, ຕຳແໜ່ງໂລໂກ້, ເຄື່ອງໝາຍເລນ, ຂອບປຸ່ມ, ແລະ ໂຄງສ້າງພື້ນຜິວໃຫ້ໃກ້ຄຽງກັບຕົ້ນສະບັບທີ່ສຸດເທົ່າທີ່ຈະເປັນໄປໄດ້. ໃຊ້ການເຮັດຄວາມສະອາດການບີບອັດອ່ອນໆ, ການເຮັດໃຫ້ຄົມຊັດຕ່ຳ, ແລະ ຫຼີກລ່ຽງການປະດິດຂໍ້ຄວາມ, ຮອຍຂີດຂ່ວນ, ປ້າຍຊື່, ເລກລຳດັບ, ຫຼື ລາຍລະອຽດການຕົກແຕ່ງເພີ່ມເຕີມ. ຮູບພາບສຸດທ້າຍຄວນເບິ່ງເປັນທຳມະຊາດໃນຂະໜາດໜ້າຜະລິດຕະພັນປົກກະຕິ, ບໍ່ຄົມຊັດແບບປອມໃນຂະໜາດຊູມ 400%.

ວິທີການທົດສອບມັນ

ເລີ່ມຕົ້ນດ້ວຍຮູບພາບປະສົມຫ້າຮູບກ່ອນທີ່ຈະປະມວນຜົນຊຸດເຕັມ:

ຮູບພາບຜະລິດຕະພັນທີ່ສະອາດໜຶ່ງຮູບພ້ອມດ້ວຍແສງໄຟທີ່ດີ

ຮູບພາບທີ່ຖືກບີບອັດດ້ວຍ JPEG ໜຶ່ງຮູບທີ່ມີຄວາມເປັນບລັອກ

ຮູບຖ່າຍໜຶ່ງຮູບທີ່ມີຕົວໜັງສືພິມນ້ອຍໆ ຫຼື ເຄື່ອງໝາຍເລນ

ຮູບພາບມືດອັນໜຶ່ງທີ່ມີສຽງລົບກວນໃນເງົາມືດ

ຮູບພາບໜຶ່ງທີ່ມີໂລຫະ ຫຼື ແກ້ວສະທ້ອນແສງ

ຫຼັງຈາກການຍົກລະດັບຂະໜາດແລ້ວ, ໃຫ້ປຽບທຽບຜົນໄດ້ຮັບແຕ່ລະອັນກັບຕົ້ນສະບັບທີ່ 100% ແລະ 200%. ກວດສອບວ່າຊື່ຍີ່ຫໍ້, ໜ້າປັດ, ສະກູ, ພອດ ແລະ ຮູບແບບໂຄງສ້າງຍັງກົງກັນຢູ່ຫຼືບໍ່. ຖ້າຮຸ່ນສ້າງ "ເກືອບເປັນຕົວອັກສອນ" ຫຼື ເປັນຮອຍພື້ນຜິວປອມ, ໃຫ້ຫຼຸດການຕັ້ງຄ່າຄວາມຄົມຊັດ ຫຼື ການກູ້ຄືນລາຍລະອຽດລົງ.

ຜົນໄດ້ຮັບ

ຜົນໄດ້ຮັບທີ່ເປັນຕົວຢ່າງ: ອີງຕາມເວລາການທົດສອບຫ້າຮູບພາບກ່ອນ ແລະ ຫຼັງການໃຊ້ຂັ້ນຕອນການເຮັດວຽກນີ້.

ການທຳຄວາມສະອາດ ແລະ ການປັບຂະໜາດດ້ວຍຕົນເອງໃຊ້ເວລາປະມານ 9 ນາທີຕໍ່ຮູບພາບ, ຫຼື 45 ນາທີສຳລັບຫ້າຮູບພາບ.

ຂັ້ນຕອນການເຮັດວຽກທີ່ໃຊ້ AI ຊ່ວຍເຫຼືອໃຊ້ເວລາປະມານ 3 ນາທີຕໍ່ຮູບພາບ, ຫຼື 15 ນາທີສຳລັບຫ້າຮູບພາບ.

ນັ້ນແມ່ນປະມານ 30 ນາທີທີ່ປະຫຍັດໄດ້ໃນຫ້າຮູບພາບ, ຫຼືປະມານ 4 ຊົ່ວໂມງທີ່ປະຫຍັດໄດ້ໃນຊຸດຮູບພາບ 40 ຮູບພາບ.

ຜົນການກວດສອບຄຸນນະພາບ: 4 ໃນ 5 ຮູບພາບຜ່ານການກວດສອບຄັ້ງທຳອິດ. ຮູບພາບໜຶ່ງລົ້ມເຫຼວເນື່ອງຈາກຕົວຍົກລະດັບຮູບພາບບິດເບືອນຂໍ້ຄວາມຂະໜາດນ້ອຍໃນເລນ, ສະນັ້ນມັນຈຶ່ງຖືກປະມວນຜົນຄືນໃໝ່ດ້ວຍຄວາມຄົມຊັດຕ່ຳລົງ ແລະ ບໍ່ມີການປັບປຸງຂໍ້ຄວາມ.

ຕົວຊີ້ວັດທີ່ມີຄຸນຄ່າຢູ່ທີ່ນີ້ບໍ່ພຽງແຕ່ "ເບິ່ງຄົມຊັດກວ່າ" ເທົ່ານັ້ນ. ແຕ່ມັນຄື: ມີຮູບພາບຈັກຮູບທີ່ຜ່ານການທົບທວນແບບຄຽງຄູ່ກັນໂດຍບໍ່ມີລາຍລະອຽດທີ່ປະດິດຂຶ້ນ?

ມີຫຍັງຜິດພາດໄດ້ແດ່

ຮູບແບບອາດຈະປ່ຽນຝຸ່ນ, ບລັອກ JPEG, ຫຼື ຮອຍຂີດຂ່ວນໃຫ້ກາຍເປັນໂຄງສ້າງ "ແທ້".

ຂໍ້ຄວາມຂະໜາດນ້ອຍສາມາດກາຍເປັນຂໍ້ຄວາມປອມທີ່ເບິ່ງຄືວ່າໜ້າເຊື່ອຖືໄດ້ຈົນກວ່າທ່ານຈະຊູມເຂົ້າ.

ການຫຼຸດສຽງລົບກວນຫຼາຍເກີນໄປສາມາດເຮັດໃຫ້ຢາງ, ໜັງ, ຫຼືໂລຫະທີ່ຖືກຂັດເງົາເບິ່ງຄືວ່າເປັນຂີ້ເຜີ້ງ.

ການຄົມທີ່ແຮງສາມາດສ້າງເປັນຮູບວົງມົນອ້ອມຮອບຂອບຜະລິດຕະພັນໄດ້.

ການປະມວນຜົນແບບຊຸດສາມາດເຊື່ອງຄວາມຜິດພາດໄດ້, ສະນັ້ນ ໃຫ້ກວດສອບຕົວຢ່າງກ່ອນທີ່ຈະສົ່ງອອກທຸກຢ່າງ.

ສຳລັບການຄ້າອີເລັກໂທຣນິກ, ກົດລະບຽບທີ່ປອດໄພທີ່ສຸດແມ່ນງ່າຍດາຍ: ຢ່າໃຊ້ AI upscaling ເພື່ອເຊື່ອງຄວາມເສຍຫາຍ, ປ່ຽນສະພາບ, ຫຼື ເຮັດໃຫ້ຜະລິດຕະພັນເບິ່ງໃໝ່ກວ່າທີ່ມັນເປັນ.

ເອົາໄປໃຊ້ຕົວຈິງ

ການຍົກລະດັບ AI ເຮັດວຽກໄດ້ດີທີ່ສຸດເມື່ອທ່ານປະຕິບັດຕໍ່ມັນເປັນຂັ້ນຕອນການສຳເລັດຮູບທີ່ຄວບຄຸມໄດ້, ບໍ່ແມ່ນປຸ່ມສ້ອມແປງແບບມະຫັດສະຈັນ. ໃຊ້ການຕັ້ງຄ່າ 2× ແບບອະນຸລັກ, ກວດສອບລາຍລະອຽດທີ່ຜູ້ຊື້ສົນໃຈ, ແລະຮັກສາຮູບພາບຕົ້ນສະບັບໄວ້ເພື່ອໃຫ້ເວີຊັນທີ່ຖືກແກ້ໄຂຍັງຄົງໜ້າເຊື່ອຖື.

ຕົວຢ່າງໃນໂລກຕົວຈິງ: ການຍົກລະດັບວິດີໂອການຝຶກອົບຮົມເກົ່າໂດຍບໍ່ເຮັດໃຫ້ມັນເຫຼື້ອມເປັນເງົາ

ສະຖານະການ

ບໍລິສັດຝຶກອົບຮົມຂະໜາດນ້ອຍແຫ່ງໜຶ່ງມີວິດີໂອສາທິດຄວາມປອດໄພຍາວ 7 ນາທີທີ່ບັນທຶກໄວ້ໃນປີ 2014 ທີ່ຄວາມລະອຽດ 720p. ເນື້ອຫາຍັງມີຄຸນຄ່າຢູ່, ແຕ່ພາບວິດີໂອເບິ່ງຄືວ່າອ່ອນໂຍນໃນເວັບໄຊທ໌ໃໝ່ຂອງບໍລິສັດ, ໂດຍສະເພາະໃນໜ້າຈໍແລັບທັອບຂະໜາດໃຫຍ່.

ທີມງານຕ້ອງການສົ່ງອອກເວີຊັນ 1080p ທີ່ສະອາດກວ່າໂດຍບໍ່ຕ້ອງຖ່າຍໃໝ່. ຄວາມສ່ຽງແມ່ນວ່າການຍົກລະດັບ AI ທີ່ຮຸນແຮງສາມາດເຮັດໃຫ້ໃບໜ້າເບິ່ງຄືຂີ້ເຜີ້ງ, ປ່ຽນຂໍ້ຄວາມໃນປ້າຍໃຫ້ກາຍເປັນ "ເກືອບເປັນຄຳສັບ", ຫຼືສ້າງໂຄງສ້າງທີ່ກະພິບຈາກເຟຣມໜຶ່ງໄປຫາອີກເຟຣມໜຶ່ງ.

ເປົ້າໝາຍບໍ່ແມ່ນເພື່ອເຮັດໃຫ້ວິດີໂອເບິ່ງຄືໃໝ່. ແຕ່ມັນແມ່ນເພື່ອເຮັດໃຫ້ມັນຊັດເຈນຂຶ້ນ, ໝັ້ນຄົງຂຶ້ນ, ແລະ ບີບອັດໜ້ອຍລົງ ໃນຂະນະທີ່ຮັກສາໃບໜ້າຂອງຄູສອນ, ປ້າຍເຕືອນ, ການເຄື່ອນໄຫວຂອງມື, ແລະ ລາຍລະອຽດຂອງອຸປະກອນໃຫ້ຄືກັນກັບຕົ້ນສະບັບ.

ສິ່ງທີ່ຂະບວນການເຮັດວຽກຕ້ອງການ

ໄຟລ໌ວິດີໂອຕົ້ນສະບັບ, ບໍ່ແມ່ນການດາວໂຫຼດສື່ສັງຄົມທີ່ຖືກບີບອັດຖ້າເປັນໄປໄດ້

ຂະໜາດສົ່ງອອກເປົ້າໝາຍ, ເຊັ່ນ 720p ຫາ 1080p ແທນທີ່ຈະໂດດໄປຫາ 4K ໂດຍກົງ

ຕົວຍົກລະດັບວິດີໂອທີ່ມີຕົວເລືອກການຫຼຸດຜ່ອນສຽງລົບກວນ, ການເຮັດໃຫ້ຄົມຊັດ, ການສ້ອມແປງການບີບອັດ, ແລະ ຄວາມສອດຄ່ອງທາງດ້ານເວລາ

ຄລິບທົດສອບສັ້ນໆທີ່ມີໃບໜ້າ, ການເຄື່ອນໄຫວ, ຕົວໜັງສື ແລະ ພື້ນຜິວລະອຽດ

ລາຍການກວດສອບສຳລັບການກະພິບ, ຮາໂລ, ຂໍ້ຄວາມບິດເບືອນ, ໂຄງສ້າງໃບໜ້າ ແລະ ຂອບທີ່ເຄື່ອນທີ່

ສຳເນົາວິດີໂອຕົ້ນສະບັບທີ່ບັນທຶກໄວ້ເພື່ອການປຽບທຽບ ແລະ ເປີດເຜີຍຖ້າຈຳເປັນ

ຕົວຢ່າງຄຳແນະນຳ

ໃຊ້ຄຳແນະນຳປະເພດນີ້ກ່ອນທີ່ຈະປະມວນຜົນວິດີໂອເຕັມ:

ຍົກລະດັບວິດີໂອການຝຶກອົບຮົມ 720p ນີ້ເປັນ 1080p. ໃຫ້ຄວາມສຳຄັນກັບການເຄື່ອນໄຫວທີ່ເປັນທຳມະຊາດ, ຂອບທີ່ໝັ້ນຄົງ, ຂໍ້ຄວາມທີ່ມີຢູ່ອ່ານງ່າຍ, ແລະ ໂຄງສ້າງຜິວໜັງທີ່ເບິ່ງຄືຈິງ. ໃຊ້ການສ້ອມແປງການບີບອັດອ່ອນໆ ແລະ ການເຮັດໃຫ້ຄົມຊັດຕ່ຳ. ຢ່າປະດິດຂໍ້ຄວາມ, ໂລໂກ້, ປ້າຍ, ຮອຍຂີດຂ່ວນ, ລາຍລະອຽດໃບໜ້າ, ຫຼື ເຄື່ອງໝາຍອຸປະກອນທີ່ຫາຍໄປ. ຫຼີກລ່ຽງການເຫຼື້ອມແສງຈາກເຟຣມຫາເຟຣມ. ຜົນໄດ້ຮັບສຸດທ້າຍຄວນຈະເບິ່ງຊັດເຈນກວ່າໃນຂະໜາດການເບິ່ງປົກກະຕິ, ບໍ່ຄົມຊັດແບບປອມເມື່ອຢຸດຊົ່ວຄາວ ແລະ ຊູມເຂົ້າ.

ວິທີການທົດສອບມັນ

ກ່ອນທີ່ຈະປະມວນຜົນໄຟລ໌ເຕັມ 7 ນາທີ, ໃຫ້ສົ່ງອອກຕົວຢ່າງ 20 ວິນາທີທີ່ປະກອບມີ:

ໃບໜ້າຂອງອາຈານໃນຂະນະທີ່ກຳລັງເວົ້າ

ມືທີ່ເຄື່ອນທີ່ຂ້າມກອບ

ປ້າຍເຕືອນ ຫຼື ຕົວໜັງສືພິມຂະໜາດນ້ອຍ

ພື້ນຜິວທີ່ມີໂຄງສ້າງເຊັ່ນ: ຜ້າ, ຄອນກີດ, ໂລຫະຂັດເງົາ, ຫຼື ພາດສະຕິກ

ການເລື່ອນກ້ອງຖ່າຍຮູບ ຫຼື ການເຄື່ອນໄຫວທີ່ສັ່ນ

ເບິ່ງຕົວຢ່າງສອງເທື່ອ: ຄັ້ງໜຶ່ງດ້ວຍຄວາມໄວປົກກະຕິ ແລະ ຄັ້ງໜຶ່ງຢຸດຊົ່ວຄາວ ເຟຣມຕໍ່ເຟຣມ. ໃນຄວາມໄວປົກກະຕິ, ໃຫ້ຊອກຫາການກະພິບ, ໂຄງສ້າງການເລືອຄານ, ຫຼື ການເຄື່ອນໄຫວທີ່ບໍ່ເປັນທຳມະຊາດອ້ອມຮອບຂອບ. ເມື່ອຢຸດຊົ່ວຄາວ, ໃຫ້ປຽບທຽບເວີຊັນຕົ້ນສະບັບ ແລະ ເວີຊັນຂະຫຍາຍເພື່ອກວດສອບວ່າຂໍ້ຄວາມ, ປຸ່ມ, ເຄື່ອງມື ແລະ ລັກສະນະໃບໜ້າຍັງກົງກັນຢູ່.

ຜົນໄດ້ຮັບ

ຜົນໄດ້ຮັບຕົວຢ່າງ: ອີງຕາມການກຳນົດເວລາຄລິບທົດສອບ 20 ວິນາທີໜຶ່ງ ແລະ ຈາກນັ້ນນຳໃຊ້ການຕັ້ງຄ່າດຽວກັນກັບວິດີໂອ 7 ນາທີ.

ຂັ້ນຕອນການເຮັດວຽກ "ປັບຂະໜາດ ແລະ ເຮັດໃຫ້ຄົມຊັດຂຶ້ນ" ດ້ວຍຕົນເອງໃຊ້ເວລາປະມານ 35 ນາທີ, ລວມທັງການສົ່ງອອກ ແລະ ການທົບທວນ, ແຕ່ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນແສງລະຍິບລະຍັບຢູ່ເທິງຜົມຂອງຜູ້ສອນ ແລະ ມີຮາໂລອ້ອມຮອບປ້າຍຄວາມປອດໄພ.

ຂັ້ນຕອນການເຮັດວຽກທີ່ໄດ້ຮັບການຊ່ວຍເຫຼືອຈາກ AI ໃຊ້ເວລາປະມານ 55 ນາທີ ລວມທັງການທົດສອບການສົ່ງອອກ, ແຕ່ໄດ້ຫຼຸດຜ່ອນບັນຫາການທົບທວນຄືນຈາກ 8 ບັນຫາທີ່ເບິ່ງເຫັນໄດ້ໃນການສົ່ງອອກຄັ້ງທຳອິດ ມາເປັນ 2 ບັນຫາເລັກນ້ອຍໃນການສົ່ງອອກສຸດທ້າຍ.

ສະບັບສຸດທ້າຍໄດ້ຜ່ານການກວດສອບ 10 ຈາກ 12 ຄັ້ງໃນລາຍການກວດສອບ. ບັນຫາທີ່ຍັງເຫຼືອອີກສອງຢ່າງຄືຄວາມອ່ອນຂອງຂໍ້ຄວາມພື້ນຫຼັງເລັກນ້ອຍ ແລະ ສຽງລົບກວນເລັກນ້ອຍໃນມຸມມືດອັນໜຶ່ງ. ທັງສອງໄດ້ຮັບການຍອມຮັບເພາະວ່າຄູສອນ, ອຸປະກອນ ແລະ ຂັ້ນຕອນຄວາມປອດໄພຍັງຄົງສອດຄ່ອງກັນທາງດ້ານສາຍຕາ.

ຕົວຊີ້ວັດທີ່ມີຄວາມໝາຍຢູ່ທີ່ນີ້ບໍ່ແມ່ນ "ບັນລຸໄດ້ 1080p". ມັນແມ່ນ: ວິດີໂອສະແດງໃຫ້ເຫັນສິ່ງປະດິດທີ່ລົບກວນຫຼາຍປານໃດໃນລະຫວ່າງການຫຼິ້ນປົກກະຕິ?

ມີຫຍັງຜິດພາດໄດ້ແດ່

ຮູບແບບອາດຈະເຮັດໃຫ້ທ່ອນບີບອັດຄົມຊັດຂຶ້ນ ແລະ ເຮັດໃຫ້ພວກມັນເບິ່ງຄືກັບໂຄງສ້າງທີ່ແທ້ຈິງ.

ຕົວໜັງສືທີ່ລະອຽດອ່ອນສາມາດກາຍເປັນຕົວໜັງສືທີ່ເບິ່ງໜ້າເຊື່ອຖືຫຼາຍຂຶ້ນແຕ່ມີຄວາມແນ່ນອນໜ້ອຍລົງ.

ໃບໜ້າອາດຈະລຽບນຽນເກີນໄປຖ້າ denoise ສູງເກີນໄປ.

ຂອບທີ່ເຄື່ອນທີ່ສາມາດລະຍິບລະຍັບໄດ້ຖ້າເຄື່ອງມືປະຕິບັດຕໍ່ແຕ່ລະກອບຢ່າງອິດສະຫຼະເກີນໄປ.

ການສົ່ງອອກ 4K ອາດເບິ່ງຮ້າຍແຮງກວ່າການສົ່ງອອກ 1080p ທີ່ຖືກຈຳກັດ ເພາະວ່າຮູບແບບຕ້ອງປະດິດລາຍລະອຽດຫຼາຍເກີນໄປ.

ຄວາມຜິດພາດທີ່ໃຫຍ່ທີ່ສຸດແມ່ນການຕັດສິນພຽງແຕ່ເຟຣມທີ່ຢຸດຊົ່ວຄາວ. ການຍົກລະດັບວິດີໂອຕ້ອງເບິ່ງເປັນທຳມະຊາດໃນການເຄື່ອນໄຫວ, ບໍ່ພຽງແຕ່ໜ້າປະທັບໃຈໃນຖານະເປັນຮູບພາບນິ້ງເທົ່ານັ້ນ.

ເອົາໄປໃຊ້ຕົວຈິງ

ສຳລັບວິດີໂອ, ການຍົກລະດັບ AI ຈະເຮັດວຽກໄດ້ດີທີ່ສຸດເມື່ອທ່ານທົດສອບພາກສ່ວນສັ້ນໆກ່ອນ, ຮັກສາການຍົກລະດັບໃຫ້ພໍດີ, ແລະ ຕັດສິນການເຄື່ອນໄຫວກ່ອນຄວາມຄົມຊັດ. ຜົນໄດ້ຮັບທີ່ອ່ອນນຸ້ມກວ່າເລັກນ້ອຍແຕ່ໝັ້ນຄົງມັກຈະດີກ່ວາຮຸ່ນທີ່ຄົມຊັດທີ່ກະພິບທຸກຄັ້ງທີ່ມີຄົນເຄື່ອນໄຫວ.

---

ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ

ການຍົກລະດັບ AI ແລະວິທີການເຮັດວຽກຂອງມັນ

ການຍົກລະດັບ AI (ມັກເອີ້ນວ່າ "ຄວາມລະອຽດສູງ") ເພີ່ມຄວາມລະອຽດຂອງຮູບພາບໂດຍການຄາດຄະເນລາຍລະອຽດຄວາມລະອຽດສູງທີ່ຂາດຫາຍໄປຈາກຮູບແບບທີ່ຮຽນຮູ້ໃນລະຫວ່າງການຝຶກອົບຮົມ. ແທນທີ່ຈະພຽງແຕ່ຍືດພິກເຊວເຊັ່ນ: ການໂຕ້ຕອບແບບ bicubic, ຮູບແບບການສຶກສາຂອບ, ໂຄງສ້າງ, ໃບໜ້າ, ແລະເສັ້ນຄ້າຍຄືຂໍ້ຄວາມ, ຈາກນັ້ນສ້າງຂໍ້ມູນພິກເຊວໃໝ່ທີ່ສອດຄ່ອງກັບຮູບແບບທີ່ຮຽນຮູ້ເຫຼົ່ານັ້ນ. ມັນເປັນການ "ຟື້ນຟູຄວາມເປັນຈິງ" ໜ້ອຍລົງ ແລະ "ຄາດເດົາໄດ້ຢ່າງໜ້າເຊື່ອຖື" ທີ່ອ່ານວ່າເປັນທຳມະຊາດຫຼາຍກວ່າ.

ການຍົກລະດັບ AI ທຽບກັບການປັບຂະໜາດ bicubic ຫຼື ແບບດັ້ງເດີມ

ວິທີການຍົກລະດັບແບບດັ້ງເດີມ (ເຊັ່ນ bicubic) ສ່ວນໃຫຍ່ແມ່ນການແຊກແຊງລະຫວ່າງພິກເຊວທີ່ມີຢູ່ແລ້ວ, ເຮັດໃຫ້ການຫັນປ່ຽນລຽບງ່າຍໂດຍບໍ່ສ້າງລາຍລະອຽດໃໝ່ທີ່ແທ້ຈິງ. ການຍົກລະດັບ AI ມີຈຸດປະສົງເພື່ອສ້າງໂຄງສ້າງທີ່ເປັນໄປໄດ້ຄືນໃໝ່ໂດຍການຮັບຮູ້ຕົວຊີ້ບອກທາງສາຍຕາ ແລະ ຄາດຄະເນວ່າລຸ້ນທີ່ມີຄວາມລະອຽດສູງຂອງຕົວຊີ້ບອກເຫຼົ່ານັ້ນມັກຈະເປັນແນວໃດ. ນັ້ນແມ່ນເຫດຜົນທີ່ຜົນໄດ້ຮັບຂອງ AI ສາມາດຮູ້ສຶກຄົມຊັດຂຶ້ນຢ່າງຫຼວງຫຼາຍ, ແລະຍັງເປັນເຫດຜົນທີ່ພວກມັນສາມາດນຳສະເໜີສິ່ງປະດິດ ຫຼື "ປະດິດ" ລາຍລະອຽດທີ່ບໍ່ມີຢູ່ໃນແຫຼ່ງຂໍ້ມູນ.

ເປັນຫຍັງໃບໜ້າຈຶ່ງເບິ່ງຄືວ່າເປັນຂີ້ເຜີ້ງ ຫຼື ລຽບນຽນເກີນໄປ

ໃບໜ້າທີ່ເປັນຂີ້ເຜີ້ງມັກຈະມາຈາກການຫຼຸດຜ່ອນສິ່ງລົບກວນ ແລະ ການເຮັດໃຫ້ລຽບນຽນຢ່າງຮຸກຮານຮ່ວມກັບການເຮັດໃຫ້ຄົມຊັດຂຶ້ນເຊິ່ງເຮັດໃຫ້ໂຄງສ້າງຜິວໜັງທຳມະຊາດຫາຍໄປ. ເຄື່ອງມືຫຼາຍຢ່າງປະຕິບັດຕໍ່ສິ່ງລົບກວນ ແລະ ໂຄງສ້າງທີ່ລະອຽດອ່ອນໃນລັກສະນະດຽວກັນ, ດັ່ງນັ້ນການ "ທຳຄວາມສະອາດ" ຮູບພາບສາມາດລຶບຮູຂຸມຂົນ ແລະ ລາຍລະອຽດທີ່ລະອຽດອ່ອນໄດ້. ວິທີການທົ່ວໄປແມ່ນການຫຼຸດຜ່ອນການຫຼຸດຜ່ອນສິ່ງລົບກວນ ແລະ ການເຮັດໃຫ້ຄົມຊັດຂຶ້ນ, ໃຊ້ໂໝດຮັກສາໃບໜ້າຖ້າມີ, ຈາກນັ້ນນຳເອົາເມັດສີກັບຄືນມາເພື່ອໃຫ້ຜົນໄດ້ຮັບຮູ້ສຶກວ່າເປັນພາດສະຕິກໜ້ອຍລົງ ແລະ ຖ່າຍຮູບໄດ້ຫຼາຍຂຶ້ນ.

ສິ່ງປະດິດການຍົກລະດັບ AI ທົ່ວໄປທີ່ຄວນຕິດຕາມ

ລາຍລະອຽດທົ່ວໄປປະກອບມີຮູບຊົງຮາໂລອ້ອມຮອບຂອບ, ຮູບແບບໂຄງສ້າງທີ່ຊ້ຳກັນ (ເຊັ່ນ: ດິນຈີ່ຄັດລອກ-ວາງ), ຄວາມຄົມຊັດຂະໜາດນ້ອຍທີ່ຄົມຊັດ, ແລະ ຂໍ້ຄວາມທີ່ປ່ຽນເປັນ "ເກືອບເປັນຕົວອັກສອນ". ໃນຂັ້ນຕອນການເຮັດວຽກທີ່ອີງໃສ່ການແຜ່ກະຈາຍ, ທ່ານຍັງສາມາດເຫັນລາຍລະອຽດທີ່ເລື່ອນລອຍໄປບ່ອນທີ່ຄຸນສົມບັດນ້ອຍໆປ່ຽນແປງເລັກນ້ອຍ. ສຳລັບວິດີໂອ, ລາຍລະອຽດການກະພິບ ແລະ ການລວບລວມຂໍ້ມູນຂ້າມເຟຣມຕ່າງໆແມ່ນສັນຍານເຕືອນໄພໃຫຍ່. ຖ້າມັນເບິ່ງດີພຽງແຕ່ໃນການຊູມທີ່ຮຸນແຮງ, ການຕັ້ງຄ່າອາດຈະຮຸນແຮງເກີນໄປ.

ວິທີທີ່ GAN, CNN, ແລະຕົວຂະຫຍາຍການແຜ່ກະຈາຍມີແນວໂນ້ມທີ່ຈະແຕກຕ່າງກັນໃນຜົນໄດ້ຮັບ

ຄວາມລະອຽດສູງທີ່ອີງໃສ່ CNN ມັກຈະໝັ້ນຄົງກວ່າ ແລະ ຄາດເດົາໄດ້ຫຼາຍກວ່າ, ແຕ່ມັນອາດຈະເບິ່ງຄືວ່າ "ຖືກປະມວນຜົນ" ຖ້າຖືກຍູ້ແຮງ. ຕົວເລືອກທີ່ອີງໃສ່ GAN (ແບບ ESRGAN) ມັກຈະຜະລິດໂຄງສ້າງທີ່ຄົມຊັດກວ່າ ແລະ ຄວາມຄົມຊັດທີ່ຮັບຮູ້ໄດ້, ແຕ່ພວກມັນສາມາດເຮັດໃຫ້ລາຍລະອຽດທີ່ບໍ່ຖືກຕ້ອງຫຼອນໄດ້, ໂດຍສະເພາະໃນໃບໜ້າ. ການຍົກລະດັບທີ່ອີງໃສ່ການແຜ່ກະຈາຍສາມາດສ້າງລາຍລະອຽດທີ່ສວຍງາມ ແລະ ໜ້າເຊື່ອຖືໄດ້, ແຕ່ມັນອາດຈະຫຼົງໄຫຼຈາກໂຄງສ້າງເດີມຖ້າການຕັ້ງຄ່າການນຳພາ ຫຼື ຄວາມແຮງແຂງແຮງເກີນໄປ.

ກົນລະຍຸດການຕັ້ງຄ່າທີ່ໃຊ້ໄດ້ຈິງເພື່ອຫຼີກລ່ຽງຮູບລັກສະນະ "AI ເກີນໄປ"

ເລີ່ມຕົ້ນແບບອະນຸລັກ: ຍົກລະດັບ 2× ຫຼື 4× ກ່ອນທີ່ຈະໄປເຖິງປັດໃຈທີ່ຮ້າຍແຮງ. ຖ້າໃບໜ້າເບິ່ງຄືວ່າເປັນພາດສະຕິກ, ໃຫ້ຫຼຸດການຫຼຸດຜ່ອນສຽງລົບກວນ ແລະ ການເຮັດໃຫ້ຄົມຊັດລົງ ແລະ ລອງໃຊ້ໂໝດຮັບຮູ້ໃບໜ້າ. ຖ້າໂຄງສ້າງມີຄວາມເຂັ້ມເກີນໄປ, ໃຫ້ຫຼຸດການປັບປຸງລາຍລະອຽດລົງ ແລະ ພິຈາລະນາເພີ່ມເມັດສີອ່ອນໆຫຼັງຈາກນັ້ນ. ຖ້າຂອບມີແສງ, ໃຫ້ຫຼຸດຄວາມຄົມຊັດລົງ ແລະ ກວດສອບການສະກັດກັ້ນຮາໂລ ຫຼື ສິ່ງປະດິດ. ໃນຫຼາຍໆທໍ່, "ໜ້ອຍລົງ" ຈະຊະນະເພາະມັນຮັກສາຄວາມເປັນຈິງທີ່ໜ້າເຊື່ອຖືໄດ້.

ການຈັດການຮູບພາບສະແກນເກົ່າ ຫຼື ຮູບພາບທີ່ຖືກບີບອັດດ້ວຍ JPEG ຫຼາຍກ່ອນການຍົກລະດັບຂະໜາດ

ຮູບພາບທີ່ຖືກບີບອັດແມ່ນມີຄວາມຫຍຸ້ງຍາກເພາະວ່າຮູບແບບສາມາດປະຕິບັດຕໍ່ສິ່ງປະດິດຂອງບລັອກຄືກັບໂຄງສ້າງທີ່ແທ້ຈິງ ແລະ ຂະຫຍາຍພວກມັນ. ຂັ້ນຕອນການເຮັດວຽກທົ່ວໄປແມ່ນການກຳຈັດສິ່ງປະດິດ ຫຼື ການແກ້ໄຂບັນຫາກ່ອນ, ຈາກນັ້ນການເພີ່ມຂະໜາດ, ຈາກນັ້ນການເຮັດໃຫ້ຄົມຊັດຂຶ້ນເລັກນ້ອຍເທົ່ານັ້ນຖ້າຈຳເປັນ. ສຳລັບການສະແກນ, ການທຳຄວາມສະອາດຢ່າງອ່ອນໂຍນສາມາດຊ່ວຍໃຫ້ຮູບແບບສຸມໃສ່ໂຄງສ້າງຕົວຈິງແທນທີ່ຈະເປັນຄວາມເສຍຫາຍ. ເປົ້າໝາຍແມ່ນເພື່ອຫຼຸດຜ່ອນ "ສັນຍານໂຄງສ້າງປອມ" ດັ່ງນັ້ນຕົວເພີ່ມຂະໜາດຈຶ່ງບໍ່ໄດ້ຖືກບັງຄັບໃຫ້ຄາດເດົາຢ່າງໝັ້ນໃຈຈາກຂໍ້ມູນທີ່ມີສຽງລົບກວນ.

ເປັນຫຍັງການຍົກລະດັບວິດີໂອຈຶ່ງຍາກກວ່າການຍົກລະດັບຮູບພາບ

ການຍົກລະດັບວິດີໂອຕ້ອງມີຄວາມສອດຄ່ອງກັນໃນທົ່ວເຟຣມ, ບໍ່ພຽງແຕ່ດີໃນຮູບພາບນິ້ງດຽວເທົ່ານັ້ນ. ຖ້າລາຍລະອຽດກະພິບຈາກເຟຣມໜຶ່ງໄປຫາເຟຣມອື່ນ, ຜົນໄດ້ຮັບຈະກາຍເປັນສິ່ງລົບກວນຢ່າງໄວວາ. ວິທີການທີ່ເນັ້ນໃສ່ວິດີໂອໃຊ້ຂໍ້ມູນຊົ່ວຄາວຈາກເຟຣມທີ່ຢູ່ຕິດກັນເພື່ອເຮັດໃຫ້ການສ້າງຄືນໃໝ່ມີຄວາມໝັ້ນຄົງ ແລະ ຫຼີກລ່ຽງສິ່ງປະດິດທີ່ເຫຼື້ອມເປັນເງົາ. ຂັ້ນຕອນການເຮັດວຽກຫຼາຍຢ່າງຍັງປະກອບມີ denoise, deinterlacing ສຳລັບແຫຼ່ງຂໍ້ມູນສະເພາະ, ແລະ ການແນະນຳເມັດພືດຄືນໃໝ່ທີ່ເປັນທາງເລືອກ ເພື່ອໃຫ້ລຳດັບທັງໝົດຮູ້ສຶກເປັນເອກະພາບກັນແທນທີ່ຈະຄົມຊັດແບບປອມ.

ເມື່ອການຍົກລະດັບ AI ບໍ່ເໝາະສົມ ຫຼື ມີຄວາມສ່ຽງທີ່ຈະເພິ່ງພາອາໄສ

ການຍົກລະດັບ AI ດີທີ່ສຸດຄວນຖືວ່າເປັນການປັບປຸງ, ບໍ່ແມ່ນຫຼັກຖານ. ໃນສະພາບການທີ່ມີຄວາມສ່ຽງສູງເຊັ່ນ: ວາລະສານ, ຫຼັກຖານທາງກົດໝາຍ, ການຖ່າຍພາບທາງການແພດ, ຫຼືວຽກງານທາງດ້ານນິຕິວິທະຍາ, ການສ້າງພິກເຊວທີ່ "ໜ້າເຊື່ອຖື" ສາມາດເຮັດໃຫ້ເຂົ້າໃຈຜິດໄດ້ເພາະມັນອາດຈະເພີ່ມລາຍລະອຽດທີ່ບໍ່ໄດ້ບັນທຶກໄວ້. ການວາງກອບທີ່ປອດໄພກວ່າແມ່ນການໃຊ້ມັນເປັນຕົວຢ່າງ ແລະ ເປີດເຜີຍວ່າຂະບວນການ AI ໄດ້ສ້າງລາຍລະອຽດຄືນໃໝ່. ຖ້າຄວາມຊື່ສັດມີຄວາມສຳຄັນ, ໃຫ້ຮັກສາຕົ້ນສະບັບ ແລະ ບັນທຶກທຸກຂັ້ນຕອນການປະມວນຜົນ ແລະ ການຕັ້ງຄ່າ.

ເອກະສານອ້າງອີງ

1. arXiv - ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງສຳລັບຄວາມລະອຽດສູງສຸດຂອງຮູບພາບ: ການສຳຫຼວດ - arxiv.org

2. arXiv - ຮູບພາບທີ່ມີຄວາມລະອຽດສູງໂດຍໃຊ້ເຄືອຂ່າຍ Deep Convolutional (SRCNN) - arxiv.org

3. arXiv - Real-ESRGAN - arxiv.org

4. arXiv - ESRGAN - arxiv.org

5. arXiv - SR3 - arxiv.org

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

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

8. ມູນນິທິ Computer Vision (CVF) Open Access - BasicVSR: ການຄົ້ນຫາອົງປະກອບທີ່ສຳຄັນໃນວິດີໂອຄວາມລະອຽດສູງ (CVPR 2021) - openaccess.thecvf.com

9. arXiv - ເຄືອຂ່າຍການຕໍ່ຕ້ານທີ່ສ້າງຂື້ນ - arxiv.org

10. arXiv - SRGAN - arxiv.org

11. arXiv - ການສູນເສຍການຮັບຮູ້ (Johnson et al., 2016) - arxiv.org

12. GitHub - ບ່ອນເກັບມ້ຽນ Real-ESRGAN (ຕົວເລືອກກະເບື້ອງ) - github.com

13. ວິກິພີເດຍ - ການໂຕ້ຕອບແບບ Bicubic - wikipedia.org

14. ຫ້ອງທົດລອງ Topaz - ຮູບພາບ Topaz - topazlabs.com

15. ຫ້ອງທົດລອງ Topaz - ວິດີໂອ Topaz - topazlabs.com

16. ສູນຊ່ວຍເຫຼືອ Adobe - Adobe Enhance > ຄວາມລະອຽດສູງ - helpx.adobe.com

17. NIST / OSAC - ຄູ່ມືມາດຕະຖານສຳລັບການຄຸ້ມຄອງຮູບພາບດິຈິຕອລທາງດ້ານນິຕິວິທະຍາ (ລຸ້ນ 1.0) - nist.gov

18. SWGDE - ແນວທາງສຳລັບການວິເຄາະຮູບພາບທາງນິຕິວິທະຍາ - swgde.org

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ