Нейросеть восстановила видео по теням и мерцанию на вентиляторе
При воспроизведении видео на проекторе свет от него падает на стены и создает на них изменения яркости и тени. Американские разработчики создали алгоритм, который по этим световым эффектам воссоздает исходное видео. Статья с описанием разработки будет представлена на конференции NIPS 2019.
Исследователи достаточно давно предлагают использовать алгоритмы, восстанавливающие изображение при отсутствии прямой видимости. В качестве потенциальных сфер применения для этого называют беспилотные автомобили, которые с помощью такой техники могут определять, что за углом движется какой-либо объект, а также разведывательные операции, в рамках которых таким способом можно перехватывать некоторые данные.
Однако эти алгоритмы зачастую имеют серьезные ограничения, из-за которых их сложно применять на практике. Например, обычно они требуют проводить тщательную калибровку для каждой сцены для восстановления изображения с относительно большой точностью. Фредо Дюранд (Fredo Durand) и его коллеги из Массачусетского технологического института создали алгоритм, который позволяет не проводить калибровку и при этом получать достаточно качественный (в сравнении с подобными алгоритмами) ролик по видеозаписи изменения света и цвета на других объектах.
Исследователи решили рассмотреть эту проблему в виде разложения матриц. В таком случае изображение наблюдаемого на стене или другой поверхности изменение света формируется из исходного изображения на проекторе или мониторе, а также матрицы, которая отвечает за перенос между двумя изображениями. Эта матрица зависит от физических параметров среды: экрана, на который выводится оригинальный ролик, стены, на которую падает отражение, предметов, дающих тени, и других.
Основываясь на таком представлении проблемы перехода между первичным и вторичным изображением, исследователи создали алгоритм, воссоздающий обе неизвестные матрицы, отвечающие за формирование наблюдаемого вторичного изображения. Он состоит из двух сверточных нейросетей, каждая из которых формирует свою матрицу: матрицу перехода или матрицу, соответствующую исходному изображению. Авторы использовали подход, предложенный ранее российско-британской группой исследователей. Кратко, он заключается в том, что для некоторых задач, связанных с изображением (например, подавление шума или увеличение разрешения), нейросеть со случайно инициированными параметрами может давать отличные результаты без обучения на датасетах.
Результаты работы обеих нейросетей объединяются и затем сравниваются с матрицей, сформированной из наблюдаемого вторичного изображения. В процессе обучения нейросети корректируют свои параметры и постепенно разница уменьшается. Это позволяет обучать нейросеть, отвечающую за восстановление исходного изображения.
На опубликованном исследователями ролике можно видеть, что нейросеть хорошо справляется с простыми ситуациями, например, когда человек жонглирует большими мячами. В случае, если она сталкивается с цветными роликами, на которых содержится больше деталей, результаты получаются менее впечатляющими, однако даже в таком случае в целом алгоритм справляется со своей задачей.
Ранее другие американские исследователи научились достаточно качественно восстанавливать скрытое цветное изображение, используя пластину между ним и стеной, которую видит камера. Наилучших результатов удалось достичь в ситуациях, когда пластина двигалась.
Григорий Копиев
Он напоминает редактор внешности в видеоиграх
Ученые из США и Германии создали инструмент для редактирования объектов на изображении DragGAN. Он основан на нейросети, которая на лету генерирует новые изображения. Пользователь может отмечать мышкой разные элементы на фотографии, и они реалистично перемещаются, поворачиваются, растягиваются и уменьшаются — похожий подход нередко используют в видеоиграх для редактирования внешности персонажа. Препринт доступен на arXiv.org. В последние пару лет случился бум диффузионных нейросетей для генерации изображений по текстовым запросам — например, Stable Diffusion, DALL-E и Midjourney. Диффузионная модель умеет генерировать реалистичные изображения из случайного шума, а текстовое описание подсказывает модели, что именно должно быть на изображении. Но есть проблема: диффузионные нейросети недостаточно точны и не подходят, если нужно выполнить очень конкретную задачу при редактировании: сдвинуть объект на несколько пикселей в определенную сторону или повернуть его на определенное количество градусов. Задачу точного редактирования изображений можно решить с помощью других нейросетевых архитектур. Например, до появления диффузионных нейросетей часто использовали GAN — генеративно-состязательные сети. Такая модель состоит из двух нейросетей: генеративной и состязательной. По сути две нейросети соревнуются друг с другом: состязательная сеть учится отличать реальные изображения от сгенерированных, а генеративная, в свою очередь, пытается сгенерировать максимально реалистичные изображения из случайного шума (на этой идее основаны и диффузионные модели). Состязательная сеть посылает сигнал генеративной модели — сообщает ей, насколько реалистичное получилось изображение. И так до тех пор, пока генеративная сеть не научится обманывать состязательную. Группа ученых под руководством Кристиана Теобальта (Christian Theobalt) из Института информатики Общества Макса Планка придумала, как научить модель GAN делать сложные точечные изменения в изображении. Новый алгоритм называется DragGAN. Если пользователь хочет отредактировать какой-то объект на изображении, ему нужно отметить точками, где некоторые части объекта находятся до изменений и куда они должны переместиться после изменений. Например, чтобы повернуть мордочку кота на фотографии, нужно указать где сейчас находится нос и в какой точке он должен оказаться после поворота. Также можно отмечать область изображения, которая будет меняться. Главная задача DragGAN — реалистично трансформировать объект на изображении, опираясь на отмеченные пользователем точки до и после изменений. Она решается алгоритмом как задача оптимизации. Путь от каждой точки «до» к точке «после» разбивается на множество маленьких шагов. На каждом шаге генерируется новое изображение, которое совсем немного отличается от предыдущего. После каждого шага алгоритм определяет новые позиции точек «до», которые понемногу меняются в ходе оптимизации. Когда они совпадут с позициями «после», алгоритм завершит работу и пользователь получит последнее сгенерированное изображение. Обычно для одной операции редактирования требуется от 30 до 200 маленьких шагов, которые в сумме занимают несколько секунд. Модель обучали на нескольких датасетах с людьми (FFHQ, SHHQ), животными (AFHQCat), автомобилями (LSUN Car), пейзажами (LSUN, Landscapes HQ) и объектами под микроскопом (microscrope). Ее качество сравнили с похожей нейросетью UserControllableLT, которую авторы считают одной из лучших моделей для редактирования изображений с перемещением точек. На примерах видно, что DragGAN лучше определяет новое положение объектов и не делает лишних изменений. Также DragGAN сравнили с UserControllableLT на классической задаче по генерации изображений — трансформации ключевых точек лица. На изображении лица всегда можно выделить координаты точек, которые определяют его строение, мимику и положение на фото, в том числе контуры глаз, носа, губ. Модели получили изображения двух разных лиц и должны были изменить первое изображение так, чтобы ключевые точки на нем совпали или хотя бы максимально приблизились к ключевым точкам на втором изображении. Чем лучше совпадали два набора ключевых точек, тем точнее модели удавалось повторить мимику и положение второго лица, сохранив черты первого. Разница в координатах ключевых точек у DragGAN оказалась в 3 раза меньше, чем у UserControllableLT. Авторы утверждают, что DragGAN лучше своих предшественников справляется с изображениями, не похожими на тренировочную выборку, хотя иногда все равно допускает ошибки. Также она менее точно редактирует изображения, если выбранные начальные точки находятся в участках изображения, где мало текстур. Авторы обещали скоро выложить код DragGAN в открытый доступ, поэтому пользователи смогут сами протестировать, насколько хорошо она редактирует разные изображения. Раньше мы рассказывали, как другая нашумевшая нейросеть GPT-4 научилась работать с изображениями. Модель от компании OpenAI может понимать и изображения, и текст, хотя ответы по-прежнему выдает только в текстовом виде.