Здесь рождаются новости.
Выберите свое главное меню из меню wp

Разработан новый метод создания размытых изображений

Исследователи из Google недавно разработали новый метод создания размытых фотографий, используя пару не размытых изображений, снятых друг за другом. В опубликованной в издании arXiv статье специалисты изложили особенности своего подхода и сравнили его с несколькими базовыми методами.

Смазывание кадра происходит естественным образом, когда объекты в сцене или сама камера движутся во время съемки. Это приводит к тому, что движущиеся объекты или все изображение в целом выглядит размытым. В некоторых случаях этот эффект можно использовать для демонстрации скорости сфотографированного объекта или его отделения от основного фона.

«Размытие является ценным сигналом в контексте понимания изображения. Если взять снимок, содержащий в себе подобный эффект, то можно оценить величину и направление движения в сцене, приведшие к его возникновению. Эта оценка может оказаться семантически значимой или использоваться алгоритмом по устранению размытости для получения четкого изображения», – отметили Тим Брукс и Джонатан Баррон.

В недавнем исследовании ученые изучили возможность использования алгоритмов глубокого обучения для удаления нежелательной размытости с фотографий или определения динамики движения выбранной сцены. Однако для тренировки этих алгоритмов необходим значительный объем данных, который обычно генерируется с помощью обычных изображений, размытых искусственным образом. В конечном счете, эффективность работы алгоритмов с реальными изображениями будет во многом зависеть от реалистичности искусственных данных, используемых для их обучения.

«В этой статье мы рассматриваем обратную сторону ранее изученной задачи по удалению/оценке размытия как первостепенную проблему. Мы показываем быстрый и эффективный способ создания тренировочных данных, необходимых алгоритмам для обучения. В материале также количественно демонстрируется, что система обобщает искусственно созданные данные с реальными размытыми изображениями», – отметили Брукс и Баррон в своей работе.

Архитектура нейронной сети, разработанная Бруксом и Барроном, включает в себя новый слой «линейного предсказания», который обучает систему анализировать пару последовательно снятых снимков и создавать размытое изображение на их основе. Их модель требует огромного количества обучающих данных, поэтому исследователи создали и реализовали стратегию, которая использует методы интерполяции кадров для изготовления большого количества искусственных размытых фотографий и их четких вариантов.

Брукс и Баррон также сняли высококачественный тестовый набор реальных размытых изображений, полученных из видеороликов с замедленным движением, а затем использовали их, чтобы сравнить эффективность своей модели с базовыми методами. Их новый способ показал многообещающие результаты, превзойдя существующие способы, как в точности, так и в скорости.

«Наш подход является быстрым и точным. К тому же он использует легкодоступные изображения из видео или наборов снимков в качестве исходных данных. Таким образом, он обеспечивает нужными данными создателей приложений, добавляющих размытость в изображения, и помогает обучаться алгоритмам, которые, наоборот, удаляют этот эффект из фотографий», – написали специалисты в своей статье.

Опытные фотографы и кинематографы часто используют размытие в качестве художественного приема, однако создание красивых размытых фотографий может оказаться крайне сложной задачей. В большинстве случаев подобные изображения являются результатом длительного процесса проб и ошибок, требующего наличия специального оборудования и навыков.

Из-за трудностей в получении качественного эффекта размытости большинство потребительских камер предназначены для съемки изображений с минимально возможным уровнем размытия. Это означает, что фотографы-любители крайне ограничены в проведении экспериментов с размытостью изображений.

«Позволяя создавать размытые изображения из обычных снимков, которые снимаются стандартными потребительскими камерами, наша технология дает возможность неспециалистам добавлять нужный им эффект уже после съемки», – объясняют исследователи в своей статье.

В конечном итоге, подход, разработанный Бруксом и Барроном, может иметь целый ряд интересных применений. К примеру, он может позволить использовать соответствующий художественный прием случайным фотографам, а также генерировать более реалистичные размытые изображения, необходимые для тренировки алгоритмов глубокого обучения.

Не упусти уникальный шанс Будь в курсе действительно важных новостей!

Новости по теме:

  1. Ежегодно Антарктида теряет в шесть раз больше льда, чем 40 лет назад
  2. Ученые объяснили, почему возмущения обычно не приводят к революции
  3. Исследователи нашли связь между колитом и раком толстой кишки
  4. Ученые обнаружили в генах гиеновидной собаки следы ДНК вымершего вида волков