Збільшення 1000 зображень використовуючи пакетну обробку та нейромережі

Я думаю, що багато хто вже чув від мене про моє захоплення нейромережами та машинним навчанням збільшення зображень на прикладі сайту https://imglarger.com/ за допомогою методів AI. Але подальше використання сервісу наразі ставиться під питання, тому що:

1. змінюються назви вихідних файлів і порядок їх змінююється у зв'язку з процессами, які нам не відомі)
2. за один раз на Premium плані місячної підписки є можливість завантажити лише 10 вхідних зображень(

Тому я розпочав пошуки...

Пошук плагінів, додатків для Photoshop (march 2021)

• Додатки Photoshop (плагіни та розширення)
• Завантажувані плагіни та вміст Photoshop
• Необов’язкові плагіни Photoshop
• Сторонні плагіни для Adobe Photoshop

Спробував з останнього посилання — ON1 Resize 10 обіцяють отримати найякісніші фотозбільшення за допомогою технології Genuine Fractals® - запатентованих фрактальних алгоритмів інтерполяції, які швидко збільшують ваші зображення без втрати чіткості та деталізації. Вартість такого щастя — $70 і працює доволі довго. Результат непоганий. Але ні.

Отже, можливо слабенькі у мене параметри ПК чи відеокарти. Я ще у цьому нуль. І можливо потрібно використовувати щось хмарне або в оренду. Ідемо далі.

Виділяємо ключові значення для пошуку та методу в інтернетах. Отже, маємо справу з інтерполяцією для графічного обчислення. Взагалі є багато сайтів які збирають методи вирішення різних питань як от у нас: збільшення зображення для Машинного Навчання (ML) і важливо зрозуміти всю їєрархію та варіантивність вирішення нашого питання. Як то кажуть зібрати те шо не можеш сам зібрати бо не збирається. Та відправитись на пошуки Грааля по відкритим бібліотекам нейромереж.

Але тут я згадав, що наш сайт imglarger має блог, і вуаля — побудовано на SRCNN.

SRCNN — це глибока згорткова нейронна мережа, яка вивчає наскрізне відображення зображень із низькою роздільною здатністю та високою роздільною здатністю. Як результат, ми можемо використовувати його для поліпшення якості зображення із низькою роздільною здатністю.

Авторська назва методу: Image Super-Resolution Using Deep Convolutional Networks. Автори: Chao Dong • Chen Change Loy • Kaiming He • Xiaoou Tang

На замітку! Для оцінки ефективності роботи цієї мережі використовувались показники якості зображення:

• відношення піку сигнал / шум (PSNR),
• середня квадратична помилка (MSE), і
• індекс структурної подібності (SSIM).

Окрім того згорткова нейромережа Super-Resolution (SRCNN) перевершує бікубічну базову лінію лише за кілька навчальних ітерацій і перевершує метод на основі розрідженого кодування (SC) за помірного тренування. Ефективність може бути додатково покращена за допомогою більшої кількості ітерацій навчання.

Цей метод для глибоко навчання опублікований на сайті arXivLabs: експериментальні проекти із співавторами спільноти від - приватного дослідницького університету і партнеру Державного університету Нью-Йорка — cornell.edu

Предмети: Комп’ютерне бачення та розпізнавання зразків (cs.CV) ; Нейронні та еволюційні обчислення (cs.NE)

А там я знайшов вже згенеровану сторінку з посиланнями на Github від PapperCode, що цитують\використовують SRCNN. Github i love you! Stackoverflow, тебе тоже. Тепер ще і Google Scholar у моєму списку фаворитів.

Далі буде... Бо процес обіцяв бути цікавим. 49 реалізацій знайденно. TensorFlow, PyTorch