НВИДИА примењује гаусовске регресионе алгоритме за тачно преобликовање искривљених фотографија

Тецх / НВИДИА примењује гаусовске регресионе алгоритме за тачно преобликовање искривљених фотографија 3 минута читања

Поновно снимање НАСА-ине свемирске фотографије како би се добио јаснији резултат. Спацефлигхт Нов



НВИДИА је одавно позната по својим беспрекорним јединицама за графичку обраду (ГПУ), чији је главни производ НВИДИА ГеФорце картица. Уз то, компанија је увек била водећа у истраживању и развоју искуства за побољшање вештачке интелигенције у видео играма, графичком дизајну, обради података и аутомобилским возилима.

У последње време НВИДИА је почела да се фокусира на вештачку интелигенцију изоловано, а њен најновији пројекат се усредсредио на паметно преименовање постојећих фотографија користећи гаусове алгоритме за процену најмањих разлика између стотина јасних и мутних слика категорисаних на основу температуре и нијансе, а затим уношење тих вредности у изразе регресије појединачних мутних фотографија да би се вратили натраг на то како су могле изгледати њихове првобитне јасне слике. Овај поступак се изводи појединачно за сваку тачку на фотографији и сабирање се користи за генерисање вредности генеричке најмање разлике.



НВИДИА Оффице. Насдак на Твиттеру



Алгоритам ради на учењу из прошлих покушаја онога што одређене боје и обрасци на екрану показују. Када је систем развијен, радило се о хиљадама мутних и оригиналних слика, тако да је машина могла да идентификује који обрасци и боје на екрану одговарају којим жлебовима и ивицама на оригиналној слици. Након вишеструког тестирања, НВИДИА је успела да научи свој АИ чип да учи из претходних проба и складишти базу података подударних графичких кодова који се претварају у математички код на основу локације, нијансе и температуре. Користећи прошла искуства и везе успостављене између мутних и јасних слика истог локуса и нијансе, машина пуца новим сликама, примењујући формуле које најбоље одговарају нијанси и температури нове фотографије. НВИДИА је свој алгоритам провела кроз довољно испитивања да би имала довољно јаку базу података о задржавању коју АИ може искористити када ради на новијим сликама, а механизам је сада самосталан, способан да открије практично било коју слику својим тренингом у учењу појачања (РЛ) . На пример, након што открије довољно лица, машина може да разазна мутна лица када се тестира, јер разуме који мутни жлебови у ствари одговарају којим цртама лица. Изложеност различитим врстама буке као што су преоптерећене, пребељене, филтриране и текстурисане слике такође је додала базу података алгоритама.



У алгоритму математички језика, програм чита одговарајуће оштећене и јасне локусе на одговарајућим сликама, пријављујући к, и, к ’и и’ у своју базу података. Затим креира кривуљу гасове регресије како би се подударала са разликама између њих две које омогућавају конверзију на основу општег фотографског шума. У генерисаном изразу регресије најмањих квадрата узима се најнижа вредност која задовољава услов и уцртава се нова крива гаусове вредности. При претварању слике у њен првобитни јасни квалитет, температура сваке тачке се мења на основу разлике у регресном узорку у бази података АИ машине која одговара тој одређеној боји и узорку и свака тачка се окреће да би се добила цела јасна слика. Гаусов механизам закривљености утиче на већину генеричких облика буке, али ако је уређај у стању да идентификује друге облике буке који се често приписују неблаговременим брзинама затварача или генеричком сенчењу слике, просечна вредност најмање разлике у просеку израчунава се са вредности поисона скупа података (за прво) и Берноулли (за друго) такође имају најмање разлике.

Преименовање фотографија уз помоћ вештачке интелигенције. БТ

Лаички речено, улога коју вештачка интелигенција у томе игра је паметно откривање и претварање јединствених фотографија на основу праксе коју је уређај већ покушао. Када је реч о нивоу вештачке интелигенције постигнутом данас, који је још увек у фази када није нарочито независан и чији су напори ограничени на опсег сценарија који су већ увежбани, НВИДИА је постигла много у стварању машине која може покушати и поново створити невиђене фотографије са највишим нивоом тачности доследним прилагођавањем и проширивањем базе података како би се побољшала стопа успешности следећих фотографских обрта.