ਛੋਟਾ ਜਵਾਬ: AI ਅੱਪਸਕੇਲਿੰਗ ਇੱਕ ਮਾਡਲ ਨੂੰ ਘੱਟ ਅਤੇ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ 'ਤੇ ਸਿਖਲਾਈ ਦੇ ਕੇ ਕੰਮ ਕਰਦੀ ਹੈ, ਫਿਰ ਅੱਪਸਕੇਲਿੰਗ ਦੌਰਾਨ ਵਿਸ਼ਵਾਸਯੋਗ ਵਾਧੂ ਪਿਕਸਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਜੇਕਰ ਮਾਡਲ ਨੇ ਸਿਖਲਾਈ ਵਿੱਚ ਸਮਾਨ ਬਣਤਰ ਜਾਂ ਚਿਹਰੇ ਦੇਖੇ ਹਨ, ਤਾਂ ਇਹ ਭਰੋਸੇਮੰਦ ਵੇਰਵੇ ਜੋੜ ਸਕਦਾ ਹੈ; ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਇਹ ਹਾਲੋ, ਮੋਮੀ ਚਮੜੀ, ਜਾਂ ਵੀਡੀਓ ਵਿੱਚ ਝਪਕਣ ਵਰਗੀਆਂ ਕਲਾਕ੍ਰਿਤੀਆਂ ਨੂੰ "ਭਰਮ" ਕਰ ਸਕਦਾ ਹੈ।
ਮੁੱਖ ਗੱਲਾਂ:
ਭਵਿੱਖਬਾਣੀ : ਇਹ ਮਾਡਲ ਵਾਸਤਵਿਕਤਾ ਦੇ ਪੁਨਰ ਨਿਰਮਾਣ ਦੀ ਗਰੰਟੀ ਨਹੀਂ, ਸਗੋਂ ਮਨਭਾਉਂਦੇ ਵੇਰਵੇ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਮਾਡਲ ਚੋਣ : CNN ਵਧੇਰੇ ਸਥਿਰ ਹੁੰਦੇ ਹਨ; GAN ਵਧੇਰੇ ਤਿੱਖੇ ਦਿਖਾਈ ਦੇ ਸਕਦੇ ਹਨ ਪਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦਾ ਜੋਖਮ ਲੈਂਦੇ ਹਨ।
ਕਲਾਤਮਕ ਜਾਂਚ : ਹਾਲੋ, ਦੁਹਰਾਏ ਗਏ ਟੈਕਸਟ, "ਲਗਭਗ ਅੱਖਰ", ਅਤੇ ਪਲਾਸਟਿਕ ਵਰਗੇ ਚਿਹਰਿਆਂ 'ਤੇ ਨਜ਼ਰ ਰੱਖੋ।
ਵੀਡੀਓ ਸਥਿਰਤਾ : ਟੈਂਪੋਰਲ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਨਹੀਂ ਤਾਂ ਤੁਸੀਂ ਫਰੇਮ-ਟੂ-ਫ੍ਰੇਮ ਚਮਕ ਅਤੇ ਡ੍ਰਿਫਟ ਦੇਖੋਗੇ।
ਉੱਚ-ਦਾਅ ਵਾਲੇ ਉਪਯੋਗ : ਜੇਕਰ ਸ਼ੁੱਧਤਾ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ, ਤਾਂ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਖੁਲਾਸਾ ਕਰੋ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਉਦਾਹਰਣ ਵਜੋਂ ਮੰਨੋ।
ਤੁਸੀਂ ਸ਼ਾਇਦ ਇਹ ਦੇਖਿਆ ਹੋਵੇਗਾ: ਇੱਕ ਛੋਟੀ ਜਿਹੀ, ਕਰੰਚੀ ਤਸਵੀਰ ਇੰਨੀ ਕਰਿਸਪ ਚੀਜ਼ ਵਿੱਚ ਬਦਲ ਜਾਂਦੀ ਹੈ ਕਿ ਇਸਨੂੰ ਬਿਨਾਂ ਝਿਜਕੇ ਇੱਕ ਪੇਸ਼ਕਾਰੀ ਵਿੱਚ ਛਾਪਿਆ, ਸਟ੍ਰੀਮ ਕੀਤਾ ਜਾਂ ਛੱਡਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਧੋਖਾ ਦੇਣ ਵਰਗਾ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। ਅਤੇ - ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ - ਇਹ ਇੱਕ ਤਰ੍ਹਾਂ ਨਾਲ 😅 ਹੈ।
ਇਸ ਲਈ, AI ਅੱਪਸਕੇਲਿੰਗ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ, ਇਹ "ਕੰਪਿਊਟਰ ਵੇਰਵਿਆਂ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ" (ਹੱਥ-ਲਹਿਰਾਉਣ ਵਾਲਾ) ਤੋਂ ਵੱਧ ਖਾਸ ਚੀਜ਼ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਅਤੇ "ਇੱਕ ਮਾਡਲ ਬਹੁਤ ਸਾਰੀਆਂ ਉਦਾਹਰਣਾਂ ਤੋਂ ਸਿੱਖੇ ਗਏ ਪੈਟਰਨਾਂ ਦੇ ਅਧਾਰ ਤੇ ਸੰਭਾਵੀ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ" ( Deep Learning for Image Super-Resolution: A Survey ) ਦੇ ਨੇੜੇ ਹੈ। ਇਹ ਭਵਿੱਖਬਾਣੀ ਕਦਮ ਪੂਰੀ ਖੇਡ ਹੈ - ਅਤੇ ਇਸੇ ਕਰਕੇ AI ਅੱਪਸਕੇਲਿੰਗ ਸ਼ਾਨਦਾਰ ਦਿਖਾਈ ਦੇ ਸਕਦੀ ਹੈ... ਜਾਂ ਥੋੜ੍ਹੀ ਜਿਹੀ ਪਲਾਸਟਿਕ... ਜਾਂ ਤੁਹਾਡੀ ਬਿੱਲੀ ਦੇ ਵਧੇ ਹੋਏ ਬੋਨਸ ਵਿਸਕਰਾਂ ਵਾਂਗ।
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
🔗 ਏਆਈ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
AI ਵਿੱਚ ਮਾਡਲਾਂ, ਡੇਟਾ ਅਤੇ ਅਨੁਮਾਨ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ ਸਿੱਖੋ।.
🔗 ਏਆਈ ਕਿਵੇਂ ਸਿੱਖਦਾ ਹੈ
ਦੇਖੋ ਕਿ ਸਿਖਲਾਈ ਡੇਟਾ ਅਤੇ ਫੀਡਬੈਕ ਸਮੇਂ ਦੇ ਨਾਲ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਕਿਵੇਂ ਬਿਹਤਰ ਬਣਾਉਂਦੇ ਹਨ।.
🔗 ਏਆਈ ਵਿਗਾੜਾਂ ਦਾ ਪਤਾ ਕਿਵੇਂ ਲਗਾਉਂਦਾ ਹੈ
ਪੈਟਰਨ ਬੇਸਲਾਈਨਾਂ ਨੂੰ ਸਮਝੋ ਅਤੇ ਇਹ ਵੀ ਕਿ ਕਿਵੇਂ AI ਅਸਾਧਾਰਨ ਵਿਵਹਾਰ ਨੂੰ ਜਲਦੀ ਦਰਸਾਉਂਦਾ ਹੈ।.
🔗 AI ਰੁਝਾਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕਰਦਾ ਹੈ
ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਪੜਚੋਲ ਕਰੋ ਜੋ ਸੰਕੇਤਾਂ ਨੂੰ ਪਛਾਣਦੇ ਹਨ ਅਤੇ ਭਵਿੱਖ ਦੀ ਮੰਗ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ।.
ਏਆਈ ਅਪਸਕੇਲਿੰਗ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ: ਮੁੱਖ ਵਿਚਾਰ, ਰੋਜ਼ਾਨਾ ਸ਼ਬਦਾਂ ਵਿੱਚ 🧩
ਅੱਪਸਕੇਲਿੰਗ ਦਾ ਅਰਥ ਹੈ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਧਾਉਣਾ: ਵਧੇਰੇ ਪਿਕਸਲ, ਵੱਡੀ ਤਸਵੀਰ। ਰਵਾਇਤੀ ਅੱਪਸਕੇਲਿੰਗ (ਜਿਵੇਂ ਕਿ ਬਾਈਕਿਊਬਿਕ) ਮੂਲ ਰੂਪ ਵਿੱਚ ਪਿਕਸਲ ਨੂੰ ਫੈਲਾਉਂਦੀ ਹੈ ਅਤੇ ਪਰਿਵਰਤਨ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਂਦੀ ਹੈ ( ਬਾਈਕਿਊਬਿਕ ਇੰਟਰਪੋਲੇਸ਼ਨ )। ਇਹ ਠੀਕ ਹੈ, ਪਰ ਇਹ ਨਵਾਂ ਵੇਰਵਾ ਨਹੀਂ ਲੱਭ ਸਕਦਾ - ਇਹ ਸਿਰਫ਼ ਇੰਟਰਪੋਲੇਟ ਕਰਦਾ ਹੈ।
ਏਆਈ ਅਪਸਕੇਲਿੰਗ ਕੁਝ ਹੋਰ ਦਲੇਰਾਨਾ (ਖੋਜ ਦੀ ਦੁਨੀਆ ਵਿੱਚ "ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ" ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ) ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ( ਚਿੱਤਰ ਲਈ ਡੂੰਘੀ ਸਿਖਲਾਈ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ: ਇੱਕ ਸਰਵੇਖਣ ):
-
ਇਹ ਘੱਟ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਇਨਪੁੱਟ ਨੂੰ ਦੇਖਦਾ ਹੈ
-
ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਦਾ ਹੈ (ਕਿਨਾਰੇ, ਬਣਤਰ, ਚਿਹਰੇ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਟੈਕਸਟ ਸਟ੍ਰੋਕ, ਫੈਬਰਿਕ ਬੁਣਾਈ...)
-
ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਰਜਨ ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ
-
ਉਹਨਾਂ ਪੈਟਰਨਾਂ ਦੇ ਅਨੁਕੂਲ ਵਾਧੂ ਪਿਕਸਲ ਡੇਟਾ ਤਿਆਰ ਕਰਦਾ ਹੈ
"ਅਸਲੀਅਤ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਹਾਲ ਕਰੋ" ਨਹੀਂ, ਜਿਵੇਂ ਕਿ "ਇੱਕ ਬਹੁਤ ਹੀ ਵਿਸ਼ਵਾਸਯੋਗ ਅਨੁਮਾਨ ਲਗਾਓ" ( ਇਮੇਜ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਯੂਜ਼ਿੰਗ ਡੀਪ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕਸ (SRCNN) )। ਜੇਕਰ ਇਹ ਥੋੜ੍ਹਾ ਸ਼ੱਕੀ ਲੱਗਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਗਲਤ ਨਹੀਂ ਹੋ - ਪਰ ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਇਹ ਇੰਨਾ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ 😄
ਅਤੇ ਹਾਂ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ AI ਅੱਪਸਕੇਲਿੰਗ ਮੂਲ ਰੂਪ ਵਿੱਚ ਨਿਯੰਤਰਿਤ ਭਰਮ ਹੈ... ਪਰ ਇੱਕ ਉਤਪਾਦਕ, ਪਿਕਸਲ-ਸਤਿਕਾਰਯੋਗ ਤਰੀਕੇ ਨਾਲ।.
AI ਅੱਪਸਕੇਲਿੰਗ ਦਾ ਇੱਕ ਚੰਗਾ ਸੰਸਕਰਣ ਕੀ ਹੈ? ✅🛠️
ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ AI ਅੱਪਸਕੇਲਰ (ਜਾਂ ਇੱਕ ਸੈਟਿੰਗ ਪ੍ਰੀਸੈਟ) ਦਾ ਨਿਰਣਾ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਇੱਥੇ ਸਭ ਤੋਂ ਵੱਧ ਮਾਇਨੇ ਰੱਖਣ ਵਾਲੀ ਚੀਜ਼ ਹੈ:
-
ਜ਼ਿਆਦਾ ਪਕਾਏ ਬਿਨਾਂ ਡਿਟੇਲ ਰਿਕਵਰੀ
ਚੰਗੀ ਅਪਸਕੇਲਿੰਗ ਕਰਿਸਪਨੇਸ ਅਤੇ ਬਣਤਰ ਜੋੜਦੀ ਹੈ, ਨਾ ਕਿ ਕਰਿਸਪੀ ਸ਼ੋਰ ਜਾਂ ਨਕਲੀ ਪੋਰਸ। -
ਕਿਨਾਰੇ ਦਾ ਅਨੁਸ਼ਾਸਨ
ਸਾਫ਼ ਲਾਈਨਾਂ ਸਾਫ਼ ਰਹਿੰਦੀਆਂ ਹਨ। ਮਾੜੇ ਮਾਡਲ ਕਿਨਾਰਿਆਂ ਨੂੰ ਹਿੱਲਣ ਜਾਂ ਫੁੱਟਣ ਵਾਲੇ ਹਾਲੋ ਬਣਾਉਂਦੇ ਹਨ। -
ਟੈਕਸਚਰ ਯਥਾਰਥਵਾਦ
ਵਾਲਾਂ ਨੂੰ ਪੇਂਟ ਬੁਰਸ਼ ਸਟ੍ਰੋਕ ਨਹੀਂ ਬਣਨਾ ਚਾਹੀਦਾ। ਇੱਟ ਨੂੰ ਦੁਹਰਾਉਣ ਵਾਲਾ ਪੈਟਰਨ ਸਟੈਂਪ ਨਹੀਂ ਬਣਨਾ ਚਾਹੀਦਾ। -
ਸ਼ੋਰ ਅਤੇ ਸੰਕੁਚਨ ਪ੍ਰਬੰਧਨ
ਬਹੁਤ ਸਾਰੀਆਂ ਰੋਜ਼ਾਨਾ ਤਸਵੀਰਾਂ ਨੂੰ ਮੌਤ ਤੱਕ JPEG' ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਚੰਗਾ ਅੱਪਸਕੇਲਰ ਉਸ ਨੁਕਸਾਨ ਨੂੰ ਨਹੀਂ ਵਧਾਉਂਦਾ ( Real-ESRGAN )। -
ਚਿਹਰੇ ਅਤੇ ਟੈਕਸਟ ਬਾਰੇ ਜਾਗਰੂਕਤਾ
ਚਿਹਰੇ ਅਤੇ ਟੈਕਸਟ ਗਲਤੀਆਂ ਨੂੰ ਲੱਭਣ ਲਈ ਸਭ ਤੋਂ ਆਸਾਨ ਥਾਵਾਂ ਹਨ। ਚੰਗੇ ਮਾਡਲ ਉਹਨਾਂ ਨਾਲ ਨਰਮੀ ਨਾਲ ਪੇਸ਼ ਆਉਂਦੇ ਹਨ (ਜਾਂ ਵਿਸ਼ੇਸ਼ ਮੋਡ ਹੁੰਦੇ ਹਨ)। -
ਫਰੇਮਾਂ ਵਿੱਚ ਇਕਸਾਰਤਾ (ਵੀਡੀਓ ਲਈ)
ਜੇਕਰ ਵੇਰਵੇ ਫਰੇਮ-ਟੂ-ਫ੍ਰੇਮ ਝਪਕਦੇ ਹਨ, ਤਾਂ ਤੁਹਾਡੀਆਂ ਅੱਖਾਂ ਚੀਕਣਗੀਆਂ। ਵੀਡੀਓ ਅੱਪਸਕੇਲਿੰਗ ਅਸਥਾਈ ਸਥਿਰਤਾ ਦੁਆਰਾ ਜਿਉਂਦੀ ਜਾਂ ਮਰ ਜਾਂਦੀ ਹੈ ( BasicVSR (CVPR 2021) )। -
ਕੰਟਰੋਲ ਜੋ ਸਮਝ ਵਿੱਚ ਆਉਂਦੇ ਹਨ।
ਤੁਸੀਂ ਸਲਾਈਡਰ ਚਾਹੁੰਦੇ ਹੋ ਜੋ ਅਸਲ ਨਤੀਜਿਆਂ ਨੂੰ ਮੈਪ ਕਰਦੇ ਹਨ: ਸ਼ੋਰ ਨੂੰ ਘਟਾਉਣਾ, ਡੀਬਲਰ ਕਰਨਾ, ਆਰਟੀਫੈਕਟ ਹਟਾਉਣਾ, ਅਨਾਜ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣਾ, ਸ਼ਾਰਪਨ ਕਰਨਾ... ਵਿਹਾਰਕ ਚੀਜ਼ਾਂ।
ਇੱਕ ਸ਼ਾਂਤ ਨਿਯਮ ਜੋ ਕਾਇਮ ਰਹਿੰਦਾ ਹੈ: "ਸਭ ਤੋਂ ਵਧੀਆ" ਅੱਪਸਕੇਲਿੰਗ ਅਕਸਰ ਉਹ ਹੁੰਦੀ ਹੈ ਜਿਸਨੂੰ ਤੁਸੀਂ ਬਹੁਤ ਘੱਟ ਦੇਖਦੇ ਹੋ। ਇੰਝ ਲੱਗਦਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਸ਼ੁਰੂ ਵਿੱਚ ਇੱਕ ਬਿਹਤਰ ਕੈਮਰਾ ਸੀ 📷✨
ਤੁਲਨਾ ਸਾਰਣੀ: ਪ੍ਰਸਿੱਧ AI ਅੱਪਸਕੇਲਿੰਗ ਵਿਕਲਪ (ਅਤੇ ਉਹ ਕਿਸ ਲਈ ਚੰਗੇ ਹਨ) 📊🙂
ਹੇਠਾਂ ਇੱਕ ਵਿਹਾਰਕ ਤੁਲਨਾ ਹੈ। ਕੀਮਤਾਂ ਜਾਣਬੁੱਝ ਕੇ ਅਸਪਸ਼ਟ ਹਨ ਕਿਉਂਕਿ ਔਜ਼ਾਰ ਲਾਇਸੈਂਸ, ਬੰਡਲਾਂ, ਗਣਨਾ ਲਾਗਤਾਂ, ਅਤੇ ਉਹ ਸਾਰੀਆਂ ਮਜ਼ੇਦਾਰ ਚੀਜ਼ਾਂ ਦੇ ਅਨੁਸਾਰ ਵੱਖ-ਵੱਖ ਹੁੰਦੇ ਹਨ।.
| ਔਜ਼ਾਰ / ਪਹੁੰਚ | ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ | ਕੀਮਤ ਦਾ ਮਾਹੌਲ | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ (ਲਗਭਗ) |
|---|---|---|---|
| ਟੋਪਾਜ਼-ਸ਼ੈਲੀ ਦੇ ਡੈਸਕਟੌਪ ਅਪਸਕੇਲਰ ( ਟੋਪਾਜ਼ ਫੋਟੋ , ਟੋਪਾਜ਼ ਵੀਡੀਓ ) | ਫੋਟੋਆਂ, ਵੀਡੀਓ, ਆਸਾਨ ਵਰਕਫਲੋ | ਪੇਡ-ਇਸ਼ | ਮਜ਼ਬੂਤ ਜਨਰਲ ਮਾਡਲ + ਬਹੁਤ ਸਾਰੀ ਟਿਊਨਿੰਗ, "ਬਸ ਕੰਮ" ਕਰਨ ਦੀ ਆਦਤ ਪਾਉਂਦੀ ਹੈ... ਜ਼ਿਆਦਾਤਰ |
| ਅਡੋਬ “ਸੁਪਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ” ਕਿਸਮ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ( ਅਡੋਬ ਐਨਹਾਂਸ > ਸੁਪਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ) | ਫੋਟੋਗ੍ਰਾਫਰ ਪਹਿਲਾਂ ਹੀ ਉਸ ਈਕੋਸਿਸਟਮ ਵਿੱਚ ਹਨ | ਗਾਹਕੀ-y | ਠੋਸ ਵੇਰਵੇ ਦੀ ਪੁਨਰ ਉਸਾਰੀ, ਆਮ ਤੌਰ 'ਤੇ ਰੂੜੀਵਾਦੀ (ਘੱਟ ਡਰਾਮਾ) |
| ਰੀਅਲ-ਐਸਆਰਗਨ / ਈਐਸਆਰਗਨ ਰੂਪ ( ਰੀਅਲ-ਐਸਆਰਗਨ , ਈਐਸਆਰਗਨ ) | DIY, ਡਿਵੈਲਪਰ, ਬੈਚ ਨੌਕਰੀਆਂ | ਮੁਫ਼ਤ (ਪਰ ਸਮਾਂ ਮਹਿੰਗਾ) | ਬਣਤਰ ਦੇ ਵੇਰਵੇ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ, ਜੇਕਰ ਤੁਸੀਂ ਸਾਵਧਾਨ ਨਹੀਂ ਹੋ ਤਾਂ ਚਿਹਰਿਆਂ 'ਤੇ ਮਸਾਲੇਦਾਰ ਹੋ ਸਕਦਾ ਹੈ। |
| ਡਿਫਿਊਜ਼ਨ-ਅਧਾਰਿਤ ਅਪਸਕੇਲਿੰਗ ਮੋਡ ( SR3 ) | ਰਚਨਾਤਮਕ ਕੰਮ, ਸ਼ੈਲੀਬੱਧ ਨਤੀਜੇ | ਮਿਸ਼ਰਤ | ਸ਼ਾਨਦਾਰ ਵੇਰਵੇ ਬਣਾ ਸਕਦਾ ਹੈ - ਬਕਵਾਸ ਵੀ ਕਾਢ ਕੱਢ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ... ਹਾਂ |
| ਗੇਮ ਅੱਪਸਕੇਲਰ (DLSS/FSR-ਸ਼ੈਲੀ) ( NVIDIA DLSS , AMD FSR 2 ) | ਰੀਅਲ-ਟਾਈਮ ਗੇਮਿੰਗ ਅਤੇ ਰੈਂਡਰਿੰਗ | ਬੰਡਲ ਕੀਤਾ ਗਿਆ | ਮੋਸ਼ਨ ਡੇਟਾ ਅਤੇ ਸਿੱਖੇ ਹੋਏ ਪੁਰਾਣੇ ਅਨੁਭਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ - ਨਿਰਵਿਘਨ ਪ੍ਰਦਰਸ਼ਨ ਜਿੱਤ 🕹️ |
| ਕਲਾਉਡ ਅੱਪਸਕੇਲਿੰਗ ਸੇਵਾਵਾਂ | ਸਹੂਲਤ, ਤੇਜ਼ ਜਿੱਤਾਂ | ਪ੍ਰਤੀ ਵਰਤੋਂ ਭੁਗਤਾਨ | ਤੇਜ਼ + ਸਕੇਲੇਬਲ, ਪਰ ਤੁਸੀਂ ਨਿਯੰਤਰਣ ਅਤੇ ਕਈ ਵਾਰ ਸੂਖਮਤਾ ਦਾ ਵਪਾਰ ਕਰਦੇ ਹੋ |
| ਵੀਡੀਓ-ਕੇਂਦ੍ਰਿਤ AI ਅੱਪਸਕੇਲਰ ( ਬੇਸਿਕਵੀਐਸਆਰ , ਟੋਪਾਜ਼ ਵੀਡੀਓ ) | ਪੁਰਾਣੀ ਫੁਟੇਜ, ਐਨੀਮੇ, ਪੁਰਾਲੇਖ | ਪੇਡ-ਇਸ਼ | ਝਪਕਣ ਨੂੰ ਘਟਾਉਣ ਲਈ ਅਸਥਾਈ ਟ੍ਰਿਕਸ + ਵਿਸ਼ੇਸ਼ ਵੀਡੀਓ ਮਾਡਲ |
| "ਸਮਾਰਟ" ਫ਼ੋਨ/ਗੈਲਰੀ ਦੀ ਕੀਮਤ ਵਿੱਚ ਵਾਧਾ | ਆਮ ਵਰਤੋਂ | ਸ਼ਾਮਲ ਹੈ | ਹਲਕੇ ਮਾਡਲ ਸੰਪੂਰਨਤਾ ਲਈ ਨਹੀਂ, ਸਗੋਂ ਸੁਹਾਵਣੇ ਆਉਟਪੁੱਟ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ (ਅਜੇ ਵੀ ਸੁਵਿਧਾਜਨਕ) |
ਫਾਰਮੈਟਿੰਗ ਵਿਅੰਗਾਤਮਕ ਇਕਬਾਲ: "ਪੇਡ-ਇਸ਼" ਉਸ ਟੇਬਲ ਵਿੱਚ ਬਹੁਤ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ। ਪਰ ਤੁਹਾਨੂੰ ਸਮਝ ਆ ਗਿਆ 😅
ਵੱਡਾ ਰਾਜ਼: ਮਾਡਲ ਘੱਟ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਤੋਂ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਤੱਕ ਮੈਪਿੰਗ ਸਿੱਖਦੇ ਹਨ 🧠➡️🖼️
ਜ਼ਿਆਦਾਤਰ AI ਅੱਪਸਕੇਲਿੰਗ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਇੱਕ ਨਿਗਰਾਨੀ ਅਧੀਨ ਸਿਖਲਾਈ ਸੈੱਟਅੱਪ ਹੁੰਦਾ ਹੈ ( ਇਮੇਜ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਯੂਜ਼ਿੰਗ ਡੀਪ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕਸ (SRCNN) ):
-
ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ("ਸੱਚ") ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ
-
ਉਹਨਾਂ ਨੂੰ ਘੱਟ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲੇ ਵਰਜਨਾਂ ("ਇਨਪੁਟ") ਵਿੱਚ ਘਟਾਓ
-
ਘੱਟ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਤੋਂ ਮੂਲ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣ ਲਈ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿਓ
ਸਮੇਂ ਦੇ ਨਾਲ, ਮਾਡਲ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਸਬੰਧ ਸਿੱਖਦਾ ਹੈ:
-
"ਅੱਖ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇਸ ਤਰ੍ਹਾਂ ਦਾ ਧੁੰਦਲਾਪਣ ਆਮ ਤੌਰ 'ਤੇ ਪਲਕਾਂ ਨਾਲ ਸਬੰਧਤ ਹੁੰਦਾ ਹੈ"
-
"ਇਹ ਪਿਕਸਲ ਕਲੱਸਟਰ ਅਕਸਰ ਸੇਰੀਫ ਟੈਕਸਟ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ"
-
"ਇਹ ਕਿਨਾਰੇ ਦਾ ਗਰੇਡੀਐਂਟ ਛੱਤ ਵਾਲੀ ਲਾਈਨ ਵਰਗਾ ਲੱਗਦਾ ਹੈ, ਬੇਤਰਤੀਬ ਸ਼ੋਰ ਵਾਂਗ ਨਹੀਂ"
ਇਹ ਖਾਸ ਚਿੱਤਰਾਂ ਨੂੰ ਯਾਦ ਰੱਖਣਾ ਨਹੀਂ ਹੈ (ਸਧਾਰਨ ਅਰਥਾਂ ਵਿੱਚ), ਇਹ ਅੰਕੜਾਤਮਕ ਬਣਤਰ ਸਿੱਖ ਰਿਹਾ ਹੈ ( ਚਿੱਤਰ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਲਈ ਡੂੰਘੀ ਸਿਖਲਾਈ: ਇੱਕ ਸਰਵੇਖਣ )। ਇਸਨੂੰ ਟੈਕਸਟਚਰ ਅਤੇ ਕਿਨਾਰਿਆਂ ਦਾ ਵਿਆਕਰਣ ਸਿੱਖਣ ਵਾਂਗ ਸੋਚੋ। ਕਵਿਤਾ ਵਿਆਕਰਣ ਨਹੀਂ, ਹੋਰ ਵੀ... IKEA ਮੈਨੂਅਲ ਵਿਆਕਰਣ 🪑📦 (ਅਣਗੌਲਿਆ ਰੂਪਕ, ਫਿਰ ਵੀ ਕਾਫ਼ੀ ਨੇੜੇ)।
ਨਟ ਐਂਡ ਬੋਲਟ: ਅਨੁਮਾਨ ਦੌਰਾਨ ਕੀ ਹੁੰਦਾ ਹੈ (ਜਦੋਂ ਤੁਸੀਂ ਉੱਚ ਪੱਧਰੀ ਹੁੰਦੇ ਹੋ) ⚙️✨
ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਚਿੱਤਰ ਨੂੰ ਇੱਕ AI upscaler ਵਿੱਚ ਫੀਡ ਕਰਦੇ ਹੋ, ਤਾਂ ਆਮ ਤੌਰ 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਪਾਈਪਲਾਈਨ ਹੁੰਦੀ ਹੈ:
-
ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ
-
ਰੰਗ ਸਪੇਸ (ਕਈ ਵਾਰ) ਬਦਲੋ
-
ਪਿਕਸਲ ਮੁੱਲਾਂ ਨੂੰ ਆਮ ਬਣਾਓ
-
ਜੇਕਰ ਚਿੱਤਰ ਵੱਡਾ ਹੈ ਤਾਂ ਟੁਕੜਿਆਂ ਵਿੱਚ ਟਾਇਲ ਕਰੋ (VRAM ਰਿਐਲਿਟੀ ਚੈੱਕ 😭) ( ਰੀਅਲ-ESRGAN ਰੈਪੋ (ਟਾਈਲ ਵਿਕਲਪ) )
-
-
ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣਾ
-
ਸ਼ੁਰੂਆਤੀ ਪਰਤਾਂ ਕਿਨਾਰਿਆਂ, ਕੋਨਿਆਂ, ਗਰੇਡੀਐਂਟ ਦਾ ਪਤਾ ਲਗਾਉਂਦੀਆਂ ਹਨ
-
ਡੂੰਘੀਆਂ ਪਰਤਾਂ ਪੈਟਰਨਾਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦੀਆਂ ਹਨ: ਬਣਤਰ, ਆਕਾਰ, ਚਿਹਰੇ ਦੇ ਹਿੱਸੇ
-
-
ਪੁਨਰ ਨਿਰਮਾਣ
-
ਇਹ ਮਾਡਲ ਇੱਕ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲਾ ਵਿਸ਼ੇਸ਼ਤਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਦਾ ਹੈ।
-
ਫਿਰ ਇਸਨੂੰ ਅਸਲ ਪਿਕਸਲ ਆਉਟਪੁੱਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
-
-
ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਬਾਅਦ
-
ਵਿਕਲਪਿਕ ਸ਼ਾਰਪਨਿੰਗ
-
ਵਿਕਲਪਿਕ ਸ਼ੋਰ ਘਟਾਓ
-
ਵਿਕਲਪਿਕ ਆਰਟੀਫੈਕਟ ਦਮਨ (ਘੰਟੀ, ਹਾਲੋਸ, ਬਲਾਕੀਨੈੱਸ)
-
ਇੱਕ ਸੂਖਮ ਵੇਰਵਾ: ਬਹੁਤ ਸਾਰੇ ਔਜ਼ਾਰ ਟਾਈਲਾਂ ਵਿੱਚ ਉੱਚੇ ਪੱਧਰ 'ਤੇ ਹੁੰਦੇ ਹਨ, ਫਿਰ ਸੀਮਾਂ ਨੂੰ ਮਿਲਾਉਂਦੇ ਹਨ। ਵਧੀਆ ਔਜ਼ਾਰ ਟਾਇਲ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਲੁਕਾਉਂਦੇ ਹਨ। ਮੇਹ ਔਜ਼ਾਰ ਜੇਕਰ ਤੁਸੀਂ ਨਜ਼ਰ ਮਾਰੋਗੇ ਤਾਂ ਹਲਕੇ ਗਰਿੱਡ ਦੇ ਨਿਸ਼ਾਨ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਅਤੇ ਹਾਂ, ਤੁਸੀਂ ਨਜ਼ਰ ਮਾਰੋਗੇ, ਕਿਉਂਕਿ ਮਨੁੱਖ ਛੋਟੇ ਗ੍ਰੇਮਲਿਨ ਵਾਂਗ 300% ਜ਼ੂਮ 'ਤੇ ਛੋਟੀਆਂ-ਛੋਟੀਆਂ ਕਮੀਆਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹਨ 🧌
AI ਅੱਪਸਕੇਲਿੰਗ ਲਈ ਵਰਤੇ ਗਏ ਮੁੱਖ ਮਾਡਲ ਪਰਿਵਾਰ (ਅਤੇ ਉਹ ਵੱਖਰੇ ਕਿਉਂ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ) 🤖📚
1) ਸੀਐਨਐਨ-ਅਧਾਰਤ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ (ਕਲਾਸਿਕ ਵਰਕ ਹਾਰਸ)
ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਥਾਨਕ ਪੈਟਰਨਾਂ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹਨ: ਕਿਨਾਰੇ, ਟੈਕਸਚਰ, ਛੋਟੇ ਢਾਂਚੇ ( ਇਮੇਜ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਯੂਜ਼ਿੰਗ ਡੀਪ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕਸ (SRCNN) )।
-
ਫਾਇਦੇ: ਤੇਜ਼, ਸਥਿਰ, ਘੱਟ ਹੈਰਾਨੀਆਂ
-
ਨੁਕਸਾਨ: ਜੇਕਰ ਜ਼ੋਰ ਨਾਲ ਧੱਕਿਆ ਜਾਵੇ ਤਾਂ ਇਹ ਥੋੜ੍ਹਾ "ਪ੍ਰੋਸੈਸਡ" ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ।
2) GAN-ਅਧਾਰਿਤ ਅੱਪਸਕੇਲਿੰਗ (ESRGAN-ਸ਼ੈਲੀ) 🎭
ਜਨਰੇਟਿਵ ਐਡਵਰਸੇਰੀਅਲ ਨੈੱਟਵਰਕ ) ਤੋਂ ਵੱਖ ਨਹੀਂ ਕਰ ਸਕਦਾ
-
ਫਾਇਦੇ: ਤੇਜ਼ ਵੇਰਵੇ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਤਰ
-
ਨੁਕਸਾਨ: ਉਹ ਵੇਰਵੇ ਦੀ ਕਾਢ ਕੱਢ ਸਕਦਾ ਹੈ ਜੋ ਉੱਥੇ ਨਹੀਂ ਸੀ - ਕਈ ਵਾਰ ਗਲਤ, ਕਈ ਵਾਰ ਅਜੀਬ ( SRGAN , ESRGAN )
ਇੱਕ GAN ਤੁਹਾਨੂੰ ਉਹ ਤੇਜ਼-ਤਰਾਰਤਾ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਸਾਹ ਲੈਣ ਯੋਗ ਹੈ। ਇਹ ਤੁਹਾਡੇ ਪੋਰਟਰੇਟ ਵਿਸ਼ੇ ਨੂੰ ਇੱਕ ਵਾਧੂ ਆਈਬ੍ਰੋ ਵੀ ਦੇ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ... ਆਪਣੀਆਂ ਲੜਾਈਆਂ ਚੁਣੋ 😬
3) ਪ੍ਰਸਾਰ-ਅਧਾਰਤ ਅਪਸਕੇਲਿੰਗ (ਰਚਨਾਤਮਕ ਵਾਈਲਡਕਾਰਡ) 🌫️➡️🖼️
ਡਿਫਿਊਜ਼ਨ ਮਾਡਲ ਕਦਮ-ਦਰ-ਕਦਮ ਸ਼ੋਰ ਨੂੰ ਘਟਾ ਦਿੰਦੇ ਹਨ ਅਤੇ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵੇਰਵੇ ( SR3 ) ਪੈਦਾ ਕਰਨ ਲਈ ਮਾਰਗਦਰਸ਼ਨ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
-
ਫਾਇਦੇ: ਸੰਭਾਵੀ ਵੇਰਵਿਆਂ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੋ ਸਕਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਰਚਨਾਤਮਕ ਕੰਮ ਲਈ
-
ਨੁਕਸਾਨ: ਜੇਕਰ ਸੈਟਿੰਗਾਂ ਹਮਲਾਵਰ ਹਨ ਤਾਂ ਇਹ ਅਸਲ ਪਛਾਣ/ਢਾਂਚੇ ਤੋਂ ਦੂਰ ਜਾ ਸਕਦੀਆਂ ਹਨ ( SR3 )
ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ "ਅੱਪਸਕੇਲਿੰਗ" "ਪੁਨਰ-ਕਲਪਨਾ" ਵਿੱਚ ਰਲਣਾ ਸ਼ੁਰੂ ਹੋ ਜਾਂਦਾ ਹੈ। ਕਈ ਵਾਰ ਇਹੀ ਹੁੰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ। ਕਈ ਵਾਰ ਅਜਿਹਾ ਨਹੀਂ ਹੁੰਦਾ।.
4) ਅਸਥਾਈ ਇਕਸਾਰਤਾ ਨਾਲ ਵੀਡੀਓ ਅਪਸਕੇਲਿੰਗ 🎞️
ਵੀਡੀਓ ਅੱਪਸਕੇਲਿੰਗ ਅਕਸਰ ਗਤੀ-ਜਾਗਰੂਕ ਤਰਕ ਜੋੜਦੀ ਹੈ:
-
ਵੇਰਵੇ ਨੂੰ ਸਥਿਰ ਕਰਨ ਲਈ ਗੁਆਂਢੀ ਫਰੇਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ( BasicVSR (CVPR 2021) )
-
ਝਪਕਦੇ ਅਤੇ ਘੁੰਮਦੇ ਕਲਾਕ੍ਰਿਤੀਆਂ ਤੋਂ ਬਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ
-
ਅਕਸਰ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਨੂੰ ਡੀਨੋਇਜ਼ ਅਤੇ ਡੀਇੰਟਰਲੇਸਿੰਗ ਨਾਲ ਜੋੜਦਾ ਹੈ ( ਟੋਪਾਜ਼ ਵੀਡੀਓ )
ਜੇਕਰ ਚਿੱਤਰ ਨੂੰ ਉੱਚਾ ਚੁੱਕਣਾ ਇੱਕ ਪੇਂਟਿੰਗ ਨੂੰ ਬਹਾਲ ਕਰਨ ਵਰਗਾ ਹੈ, ਤਾਂ ਵੀਡੀਓ ਨੂੰ ਉੱਚਾ ਚੁੱਕਣਾ ਇੱਕ ਫਲਿੱਪਬੁੱਕ ਨੂੰ ਬਹਾਲ ਕਰਨ ਵਰਗਾ ਹੈ ਬਿਨਾਂ ਪਾਤਰ ਦੇ ਨੱਕ ਨੂੰ ਹਰ ਪੰਨੇ 'ਤੇ ਬਦਲੇ। ਜੋ ਕਿ... ਸੁਣਨ ਨਾਲੋਂ ਔਖਾ ਹੈ।.
AI ਅੱਪਸਕੇਲਿੰਗ ਕਈ ਵਾਰ ਨਕਲੀ ਕਿਉਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ (ਅਤੇ ਇਸਨੂੰ ਕਿਵੇਂ ਪਛਾਣਿਆ ਜਾਵੇ) 👀🚩
AI ਅਪਸਕੇਲਿੰਗ ਪਛਾਣਨਯੋਗ ਤਰੀਕਿਆਂ ਨਾਲ ਅਸਫਲ ਹੋ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਪੈਟਰਨ ਸਿੱਖ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਹਰ ਜਗ੍ਹਾ ਦੇਖੋਗੇ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਨਵੀਂ ਕਾਰ ਖਰੀਦਣਾ ਅਤੇ ਅਚਾਨਕ ਹਰ ਗਲੀ 'ਤੇ ਉਸ ਮਾਡਲ ਨੂੰ ਦੇਖਣਾ 😵💫
ਆਮ ਦੱਸਦੇ ਹਨ:
-
ਮੋਮ ਵਾਲੀ ਚਮੜੀ (ਬਹੁਤ ਜ਼ਿਆਦਾ ਸ਼ੋਰ + ਸਮੂਥਿੰਗ)
-
ਬਹੁਤ ਜ਼ਿਆਦਾ ਤਿੱਖੇ ਹਾਲੋ (ਕਲਾਸਿਕ "ਓਵਰਸ਼ੂਟ" ਖੇਤਰ) ( ਬਾਈਕਿਊਬਿਕ ਇੰਟਰਪੋਲੇਸ਼ਨ )
-
ਦੁਹਰਾਇਆ ਜਾਣ ਵਾਲਾ ਟੈਕਸਟ (ਇੱਟਾਂ ਦੀਆਂ ਕੰਧਾਂ ਕਾਪੀ-ਪੇਸਟ ਪੈਟਰਨ ਬਣ ਜਾਂਦੀਆਂ ਹਨ)
-
ਕਰੰਚੀ ਮਾਈਕ੍ਰੋ-ਕੰਟਰਾਸਟ ਜੋ "ਐਲਗੋਰਿਦਮ" ਨੂੰ ਚੀਕਦਾ ਹੈ
-
ਟੈਕਸਟ ਮੈੰਗਲਿੰਗ ਜਿੱਥੇ ਅੱਖਰ ਲਗਭਗ-ਅੱਖਰ ਬਣ ਜਾਂਦੇ ਹਨ (ਸਭ ਤੋਂ ਭੈੜੀ ਕਿਸਮ)
-
ਡਿਟੇਲ ਡ੍ਰਿਫਟ ਜਿੱਥੇ ਛੋਟੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸੂਖਮ ਤੌਰ 'ਤੇ ਬਦਲਦੀਆਂ ਹਨ, ਖਾਸ ਕਰਕੇ ਡਿਫਿਊਜ਼ਨ ਵਰਕਫਲੋ ( SR3 )
ਔਖਾ ਹਿੱਸਾ: ਕਈ ਵਾਰ ਇਹ ਕਲਾਕ੍ਰਿਤੀਆਂ ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ "ਬਿਹਤਰ" ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ। ਤੁਹਾਡਾ ਦਿਮਾਗ ਤਿੱਖਾਪਨ ਪਸੰਦ ਕਰਦਾ ਹੈ। ਪਰ ਇੱਕ ਪਲ ਬਾਅਦ, ਇਹ... ਬੰਦ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ।.
ਇੱਕ ਵਧੀਆ ਰਣਨੀਤੀ ਇਹ ਹੈ ਕਿ ਜ਼ੂਮ ਆਊਟ ਕੀਤਾ ਜਾਵੇ ਅਤੇ ਜਾਂਚ ਕੀਤੀ ਜਾਵੇ ਕਿ ਕੀ ਇਹ ਆਮ ਦੇਖਣ ਦੀ ਦੂਰੀ 'ਤੇ ਕੁਦਰਤੀ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਜੇਕਰ ਇਹ ਸਿਰਫ਼ 400% ਜ਼ੂਮ 'ਤੇ ਹੀ ਵਧੀਆ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਜਿੱਤ ਨਹੀਂ ਹੈ, ਇਹ ਇੱਕ ਸ਼ੌਕ ਹੈ 😅
ਏਆਈ ਅਪਸਕੇਲਿੰਗ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ: ਸਿਖਲਾਈ ਪੱਖ, ਗਣਿਤ ਦੇ ਸਿਰ ਦਰਦ ਤੋਂ ਬਿਨਾਂ 📉🙂
ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ:
-
ਪੇਅਰ ਕੀਤੇ ਡੇਟਾਸੈੱਟ (ਘੱਟ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਇਨਪੁੱਟ, ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਟਾਰਗੇਟ) ( ਡੀਪ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕਸ (SRCNN) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਚਿੱਤਰ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ )
-
ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਜੋ ਗਲਤ ਪੁਨਰ ਨਿਰਮਾਣ ਨੂੰ ਸਜ਼ਾ ਦਿੰਦੇ ਹਨ ( SRGAN )
ਆਮ ਨੁਕਸਾਨ ਦੀਆਂ ਕਿਸਮਾਂ:
-
ਪਿਕਸਲ ਨੁਕਸਾਨ (L1/L2)
ਸ਼ੁੱਧਤਾ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ। ਥੋੜ੍ਹਾ ਜਿਹਾ ਨਰਮ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। -
ਅਨੁਭਵੀ ਨੁਕਸਾਨ
ਡੂੰਘੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਜਿਵੇਂ ਕਿ "ਕੀ ਇਹ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ") ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ ( ਪ੍ਰਤੀਭਾਵੀ ਨੁਕਸਾਨ (ਜੌਨਸਨ ਐਟ ਅਲ., 2016) )। -
ਐਡਵਰਸਰੀਅਲ ਨੁਕਸਾਨ (GAN)
ਯਥਾਰਥਵਾਦ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ, ਕਈ ਵਾਰ ਸ਼ਾਬਦਿਕ ਸ਼ੁੱਧਤਾ ਦੀ ਕੀਮਤ 'ਤੇ ( SRGAN , ਜਨਰੇਟਿਵ ਐਡਵਰਸਰੀਅਲ ਨੈੱਟਵਰਕ )।
ਇੱਕ ਲਗਾਤਾਰ ਖਿੱਚੋਤਾਣ ਚੱਲ ਰਹੀ ਹੈ:
-
ਅਸਲੀ
ਬਨਾਮ ਵਫ਼ਾਦਾਰ ਬਣਾਓ -
ਇਸਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਮਨਮੋਹਕ
ਉਸ ਸਪੈਕਟ੍ਰਮ 'ਤੇ ਵੱਖ-ਵੱਖ ਥਾਵਾਂ 'ਤੇ ਵੱਖ-ਵੱਖ ਔਜ਼ਾਰ ਲੱਗਦੇ ਹਨ। ਅਤੇ ਤੁਸੀਂ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ ਇੱਕ ਨੂੰ ਤਰਜੀਹ ਦੇ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਪਰਿਵਾਰਕ ਫੋਟੋਆਂ ਨੂੰ ਬਹਾਲ ਕਰ ਰਹੇ ਹੋ ਜਾਂ ਇੱਕ ਪੋਸਟਰ ਤਿਆਰ ਕਰ ਰਹੇ ਹੋ ਜਿੱਥੇ "ਚੰਗਾ ਦਿੱਖ" ਫੋਰੈਂਸਿਕ ਸ਼ੁੱਧਤਾ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ।.
ਵਿਹਾਰਕ ਵਰਕਫਲੋ: ਫੋਟੋਆਂ, ਪੁਰਾਣੇ ਸਕੈਨ, ਐਨੀਮੇ, ਅਤੇ ਵੀਡੀਓ 📸🧾🎥
ਫੋਟੋਆਂ (ਪੋਰਟਰੇਟ, ਲੈਂਡਸਕੇਪ, ਉਤਪਾਦ ਸ਼ਾਟ)
ਸਭ ਤੋਂ ਵਧੀਆ ਅਭਿਆਸ ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਹੁੰਦਾ ਹੈ:
-
ਪਹਿਲਾਂ ਹਲਕਾ ਜਿਹਾ ਸ਼ੋਰ ਘਟਾਓ (ਜੇ ਲੋੜ ਹੋਵੇ)
-
ਰੂੜੀਵਾਦੀ ਸੈਟਿੰਗਾਂ ਦੇ ਨਾਲ ਉੱਚ ਪੱਧਰੀ
-
ਜੇਕਰ ਚੀਜ਼ਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੁਚਾਰੂ ਲੱਗਦੀਆਂ ਹਨ ਤਾਂ ਦਾਣੇ ਵਾਪਸ ਪਾਓ (ਹਾਂ, ਸੱਚਮੁੱਚ)
ਅਨਾਜ ਲੂਣ ਵਾਂਗ ਹੁੰਦਾ ਹੈ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਖਾਣਾ ਬਰਬਾਦ ਕਰ ਦਿੰਦਾ ਹੈ, ਪਰ ਕੋਈ ਵੀ ਥੋੜ੍ਹਾ ਜਿਹਾ ਵੀ ਸੁਆਦੀ ਨਹੀਂ ਹੁੰਦਾ 🍟
ਪੁਰਾਣੇ ਸਕੈਨ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਕੁਚਿਤ ਚਿੱਤਰ
ਇਹ ਔਖੇ ਹਨ ਕਿਉਂਕਿ ਮਾਡਲ ਕੰਪਰੈਸ਼ਨ ਬਲਾਕਾਂ ਨੂੰ "ਟੈਕਚਰ" ਵਜੋਂ ਮੰਨ ਸਕਦਾ ਹੈ।
ਕੋਸ਼ਿਸ਼ ਕਰੋ:
-
ਕਲਾਕ੍ਰਿਤੀਆਂ ਨੂੰ ਹਟਾਉਣਾ ਜਾਂ ਡੀਬਲਾਕ ਕਰਨਾ
-
ਫਿਰ ਉੱਚ ਪੱਧਰੀ
-
ਫਿਰ ਹਲਕਾ ਜਿਹਾ ਤਿੱਖਾ ਕਰਨਾ (ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਹੀਂ... ਮੈਨੂੰ ਪਤਾ ਹੈ, ਹਰ ਕੋਈ ਇਹ ਕਹਿੰਦਾ ਹੈ, ਪਰ ਫਿਰ ਵੀ)
ਐਨੀਮੇ ਅਤੇ ਲਾਈਨ ਆਰਟ
ਲਾਈਨ ਆਰਟ ਦੇ ਫਾਇਦੇ:
-
ਮਾਡਲ ਜੋ ਸਾਫ਼ ਕਿਨਾਰਿਆਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹਨ
-
ਘਟੀ ਹੋਈ ਬਣਤਰ ਭਰਮ
ਐਨੀਮੇ ਅੱਪਸਕੇਲਿੰਗ ਅਕਸਰ ਵਧੀਆ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਕਿਉਂਕਿ ਆਕਾਰ ਸਰਲ ਅਤੇ ਇਕਸਾਰ ਹੁੰਦੇ ਹਨ। (ਖੁਸ਼ਕਿਸਮਤ।)
ਵੀਡੀਓ
ਵੀਡੀਓ ਵਾਧੂ ਕਦਮ ਜੋੜਦਾ ਹੈ:
-
ਸ਼ੋਰ ਘਟਾਓ
-
ਡੀਇੰਟਰਲੇਸ (ਕੁਝ ਖਾਸ ਸਰੋਤਾਂ ਲਈ)
-
ਉੱਚ ਪੱਧਰੀ
-
ਟੈਂਪੋਰਲ ਸਮੂਥਿੰਗ ਜਾਂ ਸਥਿਰੀਕਰਨ ( ਬੇਸਿਕਵੀਐਸਆਰ (ਸੀਵੀਪੀਆਰ 2021) )
-
ਇਕਸੁਰਤਾ ਲਈ ਵਿਕਲਪਿਕ ਅਨਾਜ ਦੀ ਮੁੜ ਸ਼ੁਰੂਆਤ
ਜੇ ਤੁਸੀਂ ਸਮੇਂ ਦੀ ਇਕਸਾਰਤਾ ਨੂੰ ਛੱਡ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਉਹ ਚਮਕਦਾਰ ਵੇਰਵੇ ਝਿਲਮਿਲਾਉਂਦੇ ਹਨ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਇਸਨੂੰ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸਨੂੰ ਅਣਦੇਖਾ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇੱਕ ਸ਼ਾਂਤ ਕਮਰੇ ਵਿੱਚ ਇੱਕ ਚੀਕਦੀ ਕੁਰਸੀ ਵਾਂਗ 😖
ਬਿਨਾਂ ਅੰਦਾਜ਼ਾ ਲਗਾਏ ਸੈਟਿੰਗਾਂ ਚੁਣਨਾ (ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਚੀਟ ਸ਼ੀਟ) 🎛️😵💫
ਇੱਥੇ ਇੱਕ ਵਧੀਆ ਸ਼ੁਰੂਆਤੀ ਮਾਨਸਿਕਤਾ ਹੈ:
-
ਜੇਕਰ ਚਿਹਰੇ ਪਲਾਸਟਿਕ ਵਰਗੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਤਾਂ
ਸ਼ੋਰ ਘਟਾਓ, ਸ਼ਾਰਪਨਿੰਗ ਘਟਾਓ, ਚਿਹਰੇ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਵਾਲਾ ਮਾਡਲ ਜਾਂ ਮੋਡ ਅਜ਼ਮਾਓ। -
ਜੇਕਰ ਬਣਤਰ ਬਹੁਤ ਤੀਬਰ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਤਾਂ
"ਵੇਰਵੇ ਵਧਾਉਣ" ਜਾਂ "ਵੇਰਵੇ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰੋ" ਸਲਾਈਡਰਾਂ ਨੂੰ ਘਟਾਓ, ਬਾਅਦ ਵਿੱਚ ਸੂਖਮ ਦਾਣੇ ਪਾਓ। -
ਜੇਕਰ ਕਿਨਾਰੇ ਚਮਕਦੇ ਹਨ ਤਾਂ
ਸ਼ਾਰਪਨਿੰਗ ਨੂੰ ਘਟਾਓ, ਹਾਲੋ ਸਪ੍ਰੈਸ਼ਨ ਵਿਕਲਪਾਂ ਦੀ ਜਾਂਚ ਕਰੋ। -
ਜੇਕਰ ਤਸਵੀਰ ਬਹੁਤ ਜ਼ਿਆਦਾ "AI" ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ
ਤਾਂ ਹੋਰ ਰੂੜੀਵਾਦੀ ਬਣੋ। ਕਈ ਵਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਚਾਲ ਸਿਰਫ਼... ਘੱਟ ਹੁੰਦੀ ਹੈ।
ਨਾਲ ਹੀ: ਸਿਰਫ਼ ਇਸ ਲਈ 8x ਨੂੰ ਉੱਚਾ ਨਾ ਕਰੋ ਕਿਉਂਕਿ ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ। ਇੱਕ ਸਾਫ਼ 2x ਜਾਂ 4x ਅਕਸਰ ਵਧੀਆ ਹੁੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਆਪਣੇ ਪਿਕਸਲ ਬਾਰੇ ਫੈਨਫਿਕਸ਼ਨ ਲਿਖਣ ਲਈ ਕਹਿ ਰਹੇ ਹੋ 📖😂
ਨੈਤਿਕਤਾ, ਪ੍ਰਮਾਣਿਕਤਾ, ਅਤੇ "ਸੱਚ" ਦਾ ਅਜੀਬ ਸਵਾਲ 🧭😬
AI ਅੱਪਸਕੇਲਿੰਗ ਇੱਕ ਲਾਈਨ ਨੂੰ ਧੁੰਦਲਾ ਕਰ ਦਿੰਦੀ ਹੈ:
-
ਬਹਾਲੀ ਦਾ ਅਰਥ ਹੈ ਜੋ ਉੱਥੇ ਸੀ ਉਸਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨਾ।
-
ਸੁਧਾਰ ਦਾ ਅਰਥ ਹੈ ਜੋ ਨਹੀਂ ਸੀ ਉਸਨੂੰ ਜੋੜਨਾ
ਨਿੱਜੀ ਫੋਟੋਆਂ ਦੇ ਨਾਲ, ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਠੀਕ (ਅਤੇ ਸੁੰਦਰ) ਹੁੰਦਾ ਹੈ। ਪੱਤਰਕਾਰੀ, ਕਾਨੂੰਨੀ ਸਬੂਤ, ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ, ਜਾਂ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੇ ਨਾਲ ਜਿੱਥੇ ਵਫ਼ਾਦਾਰੀ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ... ਤੁਹਾਨੂੰ ਸਾਵਧਾਨ ਰਹਿਣ ਦੀ ਲੋੜ ਹੈ ( OSAC/NIST: ਫੋਰੈਂਸਿਕ ਡਿਜੀਟਲ ਇਮੇਜ ਮੈਨੇਜਮੈਂਟ ਲਈ ਸਟੈਂਡਰਡ ਗਾਈਡ , ਫੋਰੈਂਸਿਕ ਇਮੇਜ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ SWGDE ਗਾਈਡਲਾਈਨਜ਼ )।
ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ:
-
ਜੇਕਰ ਦਾਅ ਉੱਚੇ ਹਨ, ਤਾਂ AI ਅੱਪਸਕੇਲਿੰਗ ਨੂੰ ਇੱਕ ਉਦਾਹਰਣ , ਨਾ ਕਿ ਨਿਸ਼ਚਿਤ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪੇਸ਼ੇਵਰ ਸੰਦਰਭਾਂ ਵਿੱਚ ਖੁਲਾਸਾ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਇਸ ਲਈ ਨਹੀਂ ਕਿ AI ਬੁਰਾ ਹੈ, ਸਗੋਂ ਇਸ ਲਈ ਕਿਉਂਕਿ ਦਰਸ਼ਕ ਇਹ ਜਾਣਨ ਦੇ ਹੱਕਦਾਰ ਹਨ ਕਿ ਵੇਰਵਿਆਂ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਇਆ ਗਿਆ ਸੀ ਜਾਂ ਕੈਪਚਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹ ਸਿਰਫ਼... ਸਤਿਕਾਰਯੋਗ ਹੈ।.
ਸਮਾਪਤੀ ਨੋਟਸ ਅਤੇ ਇੱਕ ਸੰਖੇਪ ਸੰਖੇਪ 🧡✅
ਤਾਂ, AI ਅੱਪਸਕੇਲਿੰਗ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ ਇਹ ਹੈ: ਮਾਡਲ ਸਿੱਖਦੇ ਹਨ ਕਿ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵੇਰਵੇ ਘੱਟ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਪੈਟਰਨਾਂ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹੁੰਦੇ ਹਨ, ਫਿਰ ਅੱਪਸਕੇਲਿੰਗ ਦੌਰਾਨ ਵਿਸ਼ਵਾਸਯੋਗ ਵਾਧੂ ਪਿਕਸਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ ( ਚਿੱਤਰ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਲਈ ਡੂੰਘੀ ਸਿਖਲਾਈ: ਇੱਕ ਸਰਵੇਖਣ )। ਮਾਡਲ ਪਰਿਵਾਰ (CNN, GAN, ਪ੍ਰਸਾਰ, ਵੀਡੀਓ-ਟੈਂਪੋਰਲ) 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਉਹ ਭਵਿੱਖਬਾਣੀ ਰੂੜੀਵਾਦੀ ਅਤੇ ਵਫ਼ਾਦਾਰ ਹੋ ਸਕਦੀ ਹੈ... ਜਾਂ ਬੋਲਡ ਅਤੇ ਕਈ ਵਾਰ ਅਣ-ਹਿੰਗਡ 😅
ਜਲਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ
-
ਰਵਾਇਤੀ ਅੱਪਸਕੇਲਿੰਗ ਪਿਕਸਲ ਨੂੰ ਖਿੱਚਦੀ ਹੈ ( ਬਾਈਕਿਊਬਿਕ ਇੰਟਰਪੋਲੇਸ਼ਨ )
-
ਏਆਈ ਅਪਸਕੇਲਿੰਗ ਸਿੱਖੇ ਹੋਏ ਪੈਟਰਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੁੰਮ ਹੋਏ ਵੇਰਵੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ ( ਇਮੇਜ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਯੂਜ਼ਿੰਗ ਡੀਪ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕਸ (SRCNN) )
-
ਸਹੀ ਮਾਡਲ + ਸੰਜਮ ਤੋਂ ਵਧੀਆ ਨਤੀਜੇ ਮਿਲਦੇ ਹਨ।
-
ਵੀਡੀਓ ਵਿੱਚ ਹਾਲੋ, ਮੋਮੀ ਚਿਹਰੇ, ਵਾਰ-ਵਾਰ ਬਣਤਰ, ਅਤੇ ਝਪਕਦੇ ਹੋਏ ਦ੍ਰਿਸ਼ਾਂ 'ਤੇ ਨਜ਼ਰ ਰੱਖੋ ( BasicVSR (CVPR 2021) )
-
ਸਕੇਲਿੰਗ ਅਕਸਰ "ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਪੁਨਰ ਨਿਰਮਾਣ" ਹੁੰਦੀ ਹੈ, ਸੰਪੂਰਨ ਸੱਚਾਈ ਨਹੀਂ ( SRGAN , ESRGAN )
ਜੇ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਕੀ ਵਧਾ ਰਹੇ ਹੋ (ਚਿਹਰੇ, ਪੁਰਾਣੀਆਂ ਫੋਟੋਆਂ, ਵੀਡੀਓ, ਐਨੀਮੇ, ਟੈਕਸਟ ਸਕੈਨ), ਅਤੇ ਮੈਂ ਇੱਕ ਸੈਟਿੰਗ ਰਣਨੀਤੀ ਸੁਝਾਵਾਂਗਾ ਜੋ ਆਮ "AI ਲੁੱਕ" ਦੇ ਨੁਕਸਾਨਾਂ ਤੋਂ ਬਚਣ ਲਈ ਪ੍ਰੇਰਦੀ ਹੈ 🎯🙂
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ
ਏਆਈ ਅਪਸਕੇਲਿੰਗ ਅਤੇ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
AI ਅੱਪਸਕੇਲਿੰਗ (ਜਿਸਨੂੰ ਅਕਸਰ "ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਸਿਖਲਾਈ ਦੌਰਾਨ ਸਿੱਖੇ ਗਏ ਪੈਟਰਨਾਂ ਤੋਂ ਗੁੰਮ ਹੋਏ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵੇਰਵੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਇੱਕ ਚਿੱਤਰ ਦੇ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਬਾਈਕਿਊਬਿਕ ਇੰਟਰਪੋਲੇਸ਼ਨ ਵਰਗੇ ਪਿਕਸਲ ਨੂੰ ਸਿਰਫ਼ ਖਿੱਚਣ ਦੀ ਬਜਾਏ, ਇੱਕ ਮਾਡਲ ਕਿਨਾਰਿਆਂ, ਟੈਕਸਚਰ, ਚਿਹਰੇ ਅਤੇ ਟੈਕਸਟ-ਵਰਗੇ ਸਟ੍ਰੋਕ ਦਾ ਅਧਿਐਨ ਕਰਦਾ ਹੈ, ਫਿਰ ਨਵਾਂ ਪਿਕਸਲ ਡੇਟਾ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਸਿੱਖੇ ਗਏ ਪੈਟਰਨਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਇਹ ਘੱਟ "ਹਕੀਕਤ ਨੂੰ ਬਹਾਲ ਕਰਨਾ" ਅਤੇ "ਇੱਕ ਵਿਸ਼ਵਾਸਯੋਗ ਅਨੁਮਾਨ ਲਗਾਉਣਾ" ਹੈ ਜੋ ਕੁਦਰਤੀ ਵਜੋਂ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ।.
ਏਆਈ ਅਪਸਕੇਲਿੰਗ ਬਨਾਮ ਬਾਈਕਿਊਬਿਕ ਜਾਂ ਰਵਾਇਤੀ ਰੀਸਾਈਜ਼ਿੰਗ
ਰਵਾਇਤੀ ਅੱਪਸਕੇਲਿੰਗ ਵਿਧੀਆਂ (ਜਿਵੇਂ ਕਿ ਬਾਈਕਿਊਬਿਕ) ਮੁੱਖ ਤੌਰ 'ਤੇ ਮੌਜੂਦਾ ਪਿਕਸਲਾਂ ਵਿਚਕਾਰ ਇੰਟਰਪੋਲੇਟ ਹੁੰਦੀਆਂ ਹਨ, ਬਿਨਾਂ ਨਵੇਂ ਵੇਰਵੇ ਬਣਾਏ ਪਰਿਵਰਤਨ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਂਦੀਆਂ ਹਨ। AI ਅੱਪਸਕੇਲਿੰਗ ਦਾ ਉਦੇਸ਼ ਵਿਜ਼ੂਅਲ ਸੰਕੇਤਾਂ ਨੂੰ ਪਛਾਣ ਕੇ ਅਤੇ ਇਹ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਕਿ ਉਹਨਾਂ ਸੰਕੇਤਾਂ ਦੇ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਸੰਸਕਰਣ ਕਿਸ ਤਰ੍ਹਾਂ ਦੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਢਾਂਚੇ ਦਾ ਪੁਨਰਗਠਨ ਕਰਨਾ ਹੈ। ਇਸੇ ਕਰਕੇ AI ਨਤੀਜੇ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਤਿੱਖੇ ਮਹਿਸੂਸ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਇਹ ਵੀ ਕਿ ਉਹ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਨੂੰ ਪੇਸ਼ ਕਰ ਸਕਦੇ ਹਨ ਜਾਂ ਵੇਰਵਿਆਂ ਦੀ "ਕਾਢ" ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਸਰੋਤ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਸਨ।.
ਚਿਹਰੇ ਮੋਮੀ ਜਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੁਲਾਇਮ ਕਿਉਂ ਦਿਖਾਈ ਦੇ ਸਕਦੇ ਹਨ?
ਮੋਮੀ ਚਿਹਰੇ ਆਮ ਤੌਰ 'ਤੇ ਹਮਲਾਵਰ ਡੀਨੋਇਜ਼ਿੰਗ ਅਤੇ ਸਮੂਥਿੰਗ ਤੋਂ ਆਉਂਦੇ ਹਨ ਜੋ ਕਿ ਕੁਦਰਤੀ ਚਮੜੀ ਦੀ ਬਣਤਰ ਨੂੰ ਦੂਰ ਕਰਦੇ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਟੂਲ ਸ਼ੋਰ ਅਤੇ ਬਰੀਕ ਬਣਤਰ ਨੂੰ ਇੱਕੋ ਜਿਹਾ ਵਰਤਦੇ ਹਨ, ਇਸ ਲਈ ਇੱਕ ਚਿੱਤਰ ਨੂੰ "ਸਫਾਈ" ਕਰਨ ਨਾਲ ਪੋਰਸ ਅਤੇ ਸੂਖਮ ਵੇਰਵੇ ਮਿਟਾ ਸਕਦੇ ਹਨ। ਇੱਕ ਆਮ ਤਰੀਕਾ ਹੈ ਡੀਨੋਇਜ਼ ਅਤੇ ਸ਼ਾਰਪਨਿੰਗ ਨੂੰ ਘਟਾਉਣਾ, ਜੇਕਰ ਉਪਲਬਧ ਹੋਵੇ ਤਾਂ ਚਿਹਰੇ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਵਾਲੇ ਮੋਡ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਫਿਰ ਅਨਾਜ ਦਾ ਇੱਕ ਟਚ ਦੁਬਾਰਾ ਪੇਸ਼ ਕਰਨਾ ਤਾਂ ਜੋ ਨਤੀਜਾ ਘੱਟ ਪਲਾਸਟਿਕ ਅਤੇ ਵਧੇਰੇ ਫੋਟੋਗ੍ਰਾਫਿਕ ਮਹਿਸੂਸ ਹੋਵੇ।.
ਆਮ AI ਅਪਸਕੇਲਿੰਗ ਕਲਾਕ੍ਰਿਤੀਆਂ ਜਿਨ੍ਹਾਂ 'ਤੇ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ
ਆਮ ਟੇਲਾਂ ਵਿੱਚ ਕਿਨਾਰਿਆਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਹਾਲੋ, ਦੁਹਰਾਏ ਗਏ ਟੈਕਸਟਚਰ ਪੈਟਰਨ (ਜਿਵੇਂ ਕਿ ਕਾਪੀ-ਪੇਸਟ ਇੱਟਾਂ), ਕਰੰਚੀ ਮਾਈਕ੍ਰੋ-ਕੰਟਰਾਸਟ, ਅਤੇ ਟੈਕਸਟ ਸ਼ਾਮਲ ਹਨ ਜੋ "ਲਗਭਗ ਅੱਖਰਾਂ" ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ। ਪ੍ਰਸਾਰ-ਅਧਾਰਿਤ ਵਰਕਫਲੋ ਵਿੱਚ, ਤੁਸੀਂ ਵੇਰਵੇ ਡ੍ਰਿਫਟ ਵੀ ਦੇਖ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਛੋਟੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸੂਖਮ ਤੌਰ 'ਤੇ ਬਦਲਦੀਆਂ ਹਨ। ਵੀਡੀਓ ਲਈ, ਫਰੇਮਾਂ ਵਿੱਚ ਫਲਿੱਕਰ ਅਤੇ ਕ੍ਰੌਲਿੰਗ ਵੇਰਵੇ ਵੱਡੇ ਲਾਲ ਝੰਡੇ ਹਨ। ਜੇਕਰ ਇਹ ਸਿਰਫ਼ ਅਤਿਅੰਤ ਜ਼ੂਮ 'ਤੇ ਹੀ ਵਧੀਆ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਸੈਟਿੰਗਾਂ ਸ਼ਾਇਦ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਮਲਾਵਰ ਹਨ।.
GAN, CNN, ਅਤੇ ਡਿਫਿਊਜ਼ਨ ਅਪਸਕੇਲਰ ਨਤੀਜਿਆਂ ਵਿੱਚ ਕਿਵੇਂ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ
CNN-ਅਧਾਰਿਤ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਸਥਿਰ ਅਤੇ ਵਧੇਰੇ ਅਨੁਮਾਨਯੋਗ ਹੁੰਦਾ ਹੈ, ਪਰ ਜੇਕਰ ਇਸਨੂੰ ਜ਼ੋਰ ਨਾਲ ਧੱਕਿਆ ਜਾਵੇ ਤਾਂ ਇਹ "ਪ੍ਰਕਿਰਿਆ ਕੀਤਾ" ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ। GAN-ਅਧਾਰਿਤ ਵਿਕਲਪ (ESRGAN-ਸ਼ੈਲੀ) ਅਕਸਰ ਪੰਚੀਅਰ ਟੈਕਸਟਚਰ ਅਤੇ ਸਮਝੀ ਗਈ ਤਿੱਖਾਪਨ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਪਰ ਉਹ ਗਲਤ ਵੇਰਵੇ ਨੂੰ ਭਰਮਾਉਂਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਚਿਹਰਿਆਂ 'ਤੇ। ਡਿਫਿਊਜ਼ਨ-ਅਧਾਰਿਤ ਅੱਪਸਕੇਲਿੰਗ ਸੁੰਦਰ, ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਵੇਰਵੇ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ, ਫਿਰ ਵੀ ਇਹ ਅਸਲ ਢਾਂਚੇ ਤੋਂ ਭਟਕ ਸਕਦੀ ਹੈ ਜੇਕਰ ਮਾਰਗਦਰਸ਼ਨ ਜਾਂ ਤਾਕਤ ਸੈਟਿੰਗਾਂ ਬਹੁਤ ਮਜ਼ਬੂਤ ਹਨ।.
"ਬਹੁਤ ਜ਼ਿਆਦਾ AI" ਦਿੱਖ ਤੋਂ ਬਚਣ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਸੈਟਿੰਗ ਰਣਨੀਤੀ
ਰੂੜੀਵਾਦੀ ਸ਼ੁਰੂਆਤ ਕਰੋ: ਅਤਿਅੰਤ ਕਾਰਕਾਂ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ 2× ਜਾਂ 4× ਉੱਚ ਪੱਧਰੀ। ਜੇਕਰ ਚਿਹਰੇ ਪਲਾਸਟਿਕ ਵਰਗੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਤਾਂ ਡਾਇਲ ਬੈਕ ਡੀਨੋਇਜ਼ ਅਤੇ ਸ਼ਾਰਪਨਿੰਗ ਕਰੋ ਅਤੇ ਚਿਹਰੇ ਨੂੰ ਸ਼ਾਰਪਨ ਕਰਨ ਵਾਲਾ ਮੋਡ ਅਜ਼ਮਾਓ। ਜੇਕਰ ਟੈਕਸਟ ਬਹੁਤ ਜ਼ਿਆਦਾ ਤੀਬਰ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਵੇਰਵੇ ਨੂੰ ਘੱਟ ਕਰੋ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਸੂਖਮ ਅਨਾਜ ਜੋੜਨ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਜੇਕਰ ਕਿਨਾਰਿਆਂ ਨੂੰ ਚਮਕਦਾ ਹੈ, ਤਾਂ ਸ਼ਾਰਪਨਿੰਗ ਘਟਾਓ ਅਤੇ ਹਾਲੋ ਜਾਂ ਆਰਟੀਫੈਕਟ ਦਮਨ ਦੀ ਜਾਂਚ ਕਰੋ। ਬਹੁਤ ਸਾਰੀਆਂ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ, "ਘੱਟ" ਜਿੱਤਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਿਸ਼ਵਾਸਯੋਗ ਯਥਾਰਥਵਾਦ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ।.
ਪੁਰਾਣੇ ਸਕੈਨ ਜਾਂ ਭਾਰੀ JPEG-ਕੰਪ੍ਰੈਸਡ ਚਿੱਤਰਾਂ ਨੂੰ ਅੱਪਸਕੇਲਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਸੰਭਾਲਣਾ
ਸੰਕੁਚਿਤ ਚਿੱਤਰ ਮੁਸ਼ਕਲ ਹਨ ਕਿਉਂਕਿ ਮਾਡਲ ਬਲਾਕ ਆਰਟੀਫੈਕਟਸ ਨੂੰ ਅਸਲ ਬਣਤਰ ਵਜੋਂ ਮੰਨ ਸਕਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ। ਇੱਕ ਆਮ ਵਰਕਫਲੋ ਪਹਿਲਾਂ ਆਰਟੀਫੈਕਟ ਨੂੰ ਹਟਾਉਣਾ ਜਾਂ ਡੀਬਲਾਕ ਕਰਨਾ ਹੈ, ਫਿਰ ਅੱਪਸਕੇਲਿੰਗ, ਫਿਰ ਲੋੜ ਪੈਣ 'ਤੇ ਹੀ ਹਲਕਾ ਸ਼ਾਰਪਨਿੰਗ ਕਰਨਾ ਹੈ। ਸਕੈਨ ਲਈ, ਕੋਮਲ ਸਫਾਈ ਮਾਡਲ ਨੂੰ ਨੁਕਸਾਨ ਦੀ ਬਜਾਏ ਅਸਲ ਬਣਤਰ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ। ਟੀਚਾ "ਨਕਲੀ ਬਣਤਰ ਸੰਕੇਤਾਂ" ਨੂੰ ਘਟਾਉਣਾ ਹੈ ਤਾਂ ਜੋ ਅੱਪਸਕੇਲਰ ਨੂੰ ਸ਼ੋਰ ਵਾਲੇ ਇਨਪੁਟਸ ਤੋਂ ਭਰੋਸੇਮੰਦ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਮਜਬੂਰ ਨਾ ਕੀਤਾ ਜਾਵੇ।.
ਵੀਡੀਓ ਅਪਸਕੇਲਿੰਗ ਫੋਟੋ ਅਪਸਕੇਲਿੰਗ ਨਾਲੋਂ ਔਖੀ ਕਿਉਂ ਹੈ?
ਵੀਡੀਓ ਅੱਪਸਕੇਲਿੰਗ ਫਰੇਮਾਂ ਵਿੱਚ ਇਕਸਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਸਿਰਫ਼ ਇੱਕ ਸਥਿਰ ਚਿੱਤਰ 'ਤੇ ਹੀ ਨਹੀਂ। ਜੇਕਰ ਵੇਰਵੇ ਫਰੇਮ-ਟੂ-ਫ੍ਰੇਮ ਝਪਕਦੇ ਹਨ, ਤਾਂ ਨਤੀਜਾ ਤੇਜ਼ੀ ਨਾਲ ਧਿਆਨ ਭਟਕਾਉਣ ਵਾਲਾ ਹੋ ਜਾਂਦਾ ਹੈ। ਵੀਡੀਓ-ਕੇਂਦ੍ਰਿਤ ਪਹੁੰਚ ਪੁਨਰ ਨਿਰਮਾਣ ਨੂੰ ਸਥਿਰ ਕਰਨ ਅਤੇ ਚਮਕਦੀਆਂ ਕਲਾਕ੍ਰਿਤੀਆਂ ਤੋਂ ਬਚਣ ਲਈ ਗੁਆਂਢੀ ਫਰੇਮਾਂ ਤੋਂ ਅਸਥਾਈ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਵਰਕਫਲੋ ਵਿੱਚ ਡੀਨੋਇਜ਼, ਕੁਝ ਸਰੋਤਾਂ ਲਈ ਡੀਇੰਟਰਲੇਸਿੰਗ, ਅਤੇ ਵਿਕਲਪਿਕ ਅਨਾਜ ਪੁਨਰ-ਪੜਤਾਲ ਵੀ ਸ਼ਾਮਲ ਹੈ ਤਾਂ ਜੋ ਪੂਰਾ ਕ੍ਰਮ ਨਕਲੀ ਤੌਰ 'ਤੇ ਤਿੱਖਾ ਹੋਣ ਦੀ ਬਜਾਏ ਇਕਸੁਰ ਮਹਿਸੂਸ ਹੋਵੇ।.
ਜਦੋਂ AI ਅਪਸਕੇਲਿੰਗ ਢੁਕਵੀਂ ਨਹੀਂ ਹੈ ਜਾਂ ਇਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਜੋਖਮ ਭਰਿਆ ਹੈ
AI ਅੱਪਸਕੇਲਿੰਗ ਨੂੰ ਸਬੂਤ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਸੁਧਾਰ ਵਜੋਂ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਪੱਤਰਕਾਰੀ, ਕਾਨੂੰਨੀ ਸਬੂਤ, ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ, ਜਾਂ ਫੋਰੈਂਸਿਕ ਕੰਮ ਵਰਗੇ ਉੱਚ-ਦਾਅ ਵਾਲੇ ਸੰਦਰਭਾਂ ਵਿੱਚ, "ਵਿਸ਼ਵਾਸਯੋਗ" ਪਿਕਸਲ ਤਿਆਰ ਕਰਨਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਉਹਨਾਂ ਵੇਰਵਿਆਂ ਨੂੰ ਜੋੜ ਸਕਦਾ ਹੈ ਜੋ ਕੈਪਚਰ ਨਹੀਂ ਕੀਤੇ ਗਏ ਸਨ। ਇੱਕ ਸੁਰੱਖਿਅਤ ਫਰੇਮਿੰਗ ਇਹ ਹੈ ਕਿ ਇਸਨੂੰ ਦ੍ਰਿਸ਼ਟਾਂਤਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਵੇ ਅਤੇ ਇਹ ਖੁਲਾਸਾ ਕੀਤਾ ਜਾਵੇ ਕਿ ਇੱਕ AI ਪ੍ਰਕਿਰਿਆ ਨੇ ਵੇਰਵੇ ਨੂੰ ਪੁਨਰਗਠਿਤ ਕੀਤਾ ਹੈ। ਜੇਕਰ ਵਫ਼ਾਦਾਰੀ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਤਾਂ ਮੂਲ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖੋ ਅਤੇ ਹਰ ਪ੍ਰੋਸੈਸਿੰਗ ਪੜਾਅ ਅਤੇ ਸੈਟਿੰਗ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ।.
ਹਵਾਲੇ
-
arXiv - ਚਿੱਤਰ ਲਈ ਡੂੰਘੀ ਸਿਖਲਾਈ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ: ਇੱਕ ਸਰਵੇਖਣ - arxiv.org
-
arXiv - ਡੀਪ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈੱਟਵਰਕਸ (SRCNN) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਚਿੱਤਰ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ - arxiv.org
-
arXiv - ਰੀਅਲ-ESRGAN - arxiv.org
-
ਆਰਐਕਸਿਵ - ਈਐਸਆਰਜੀਏਐਨ - ਆਰਐਕਸਿਵ.ਆਰ.ਓ.ਜੀ
-
ਆਰਐਕਸਿਵ - ਐਸਆਰ3 - ਆਰਐਕਸਿਵ.ਆਰ.ਓ.ਜੀ
-
NVIDIA ਡਿਵੈਲਪਰ - NVIDIA DLSS - developer.nvidia.com
-
AMD GPUOpen - FidelityFX ਸੁਪਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ 2 - gpuopen.com
-
ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਫਾਊਂਡੇਸ਼ਨ (CVF) ਓਪਨ ਐਕਸੈਸ - ਬੇਸਿਕਵੀਐਸਆਰ: ਵੀਡੀਓ ਸੁਪਰ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਿੱਚ ਜ਼ਰੂਰੀ ਹਿੱਸਿਆਂ ਦੀ ਖੋਜ (CVPR 2021) - openaccess.thecvf.com
-
arXiv - ਜਨਰੇਟਿਵ ਐਡਵਰਸਰੀਅਲ ਨੈੱਟਵਰਕ - arxiv.org
-
arXiv - SRGAN - arxiv.org
-
arXiv - ਅਨੁਭਵੀ ਨੁਕਸਾਨ (ਜੌਨਸਨ ਐਟ ਅਲ., 2016) - arxiv.org
-
GitHub - ਰੀਅਲ-ESRGAN ਰੈਪੋ (ਟਾਈਲ ਵਿਕਲਪ) - github.com
-
ਵਿਕੀਪੀਡੀਆ - ਬਾਈਕਿਊਬਿਕ ਇੰਟਰਪੋਲੇਸ਼ਨ - wikipedia.org
-
ਟੋਪਾਜ਼ ਲੈਬਜ਼ - ਟੋਪਾਜ਼ ਫੋਟੋ - topazlabs.com
-
ਟੋਪਾਜ਼ ਲੈਬਜ਼ - ਟੋਪਾਜ਼ ਵੀਡੀਓ - topazlabs.com
-
ਅਡੋਬ ਮਦਦ ਕੇਂਦਰ - ਅਡੋਬ ਐਨਹਾਂਸ > ਸੁਪਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ - helpx.adobe.com
-
NIST / OSAC - ਫੋਰੈਂਸਿਕ ਡਿਜੀਟਲ ਚਿੱਤਰ ਪ੍ਰਬੰਧਨ ਲਈ ਮਿਆਰੀ ਗਾਈਡ (ਵਰਜਨ 1.0) - nist.gov
-
SWGDE - ਫੋਰੈਂਸਿਕ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ - swgde.org