Prueba de textura “super resolución” técnicas gdcorner ethereum curso

La súper resolución es el proceso de tomar una imagen más pequeña y generar detalles adicionales para generar una imagen de mayor resolución sin solo desenfocar la imagen más pequeña. Aunque existen muchas técnicas variadas para lograr los resultados, en este artículo usaré una red de código abierto con problemas éticos 2017, ESRGAN (SRGAN mejorado) y un servicio de mejora de la imagen llamado letsenhance.Io. Objetivos / requisitos

Corrí las mismas texturas nuevamente usando el modelo rrdb_psnr_x4. Estas texturas aparecieron demasiado suavizadas y no agregaron los detalles que el modelo anterior había logrado. Si bien hubo algunas mejoras en el detalle de la textura, todavía se introdujeron muchos artefactos. En general, el mejor caso de estos resultados no fue sustancialmente mejor que el escalado bilineal en tiempo real, y el peor de los casos fue un artefacto visual significativo. Los beneficios adicionales no superan al cable al adaptador Ethernet los problemas de artefactos.

De estos disparos, tome nota de los ladrillos en la cerca, los ladrillos en la embajada y los azulejos en el camino de entrada. Ciertamente, estos ladrillos han salido extremadamente bien, sin embargo, los azulejos tienen un patrón de racha demasiado exagerado. Con el modelo PSNR se conservan las rayas. Si bien las texturas ganan un poco de nitidez, no es suficiente para justificar los artefactos. Las texturas que fueron generadas por el modelo rrdb_esrgan_x4 también aparecen bastante más brillantes.

En estas comparaciones, mire los edificios del fondo, los setos, el macizo de flores, el hormigón y el pasto alrededor del estanque. Los edificios son afectados por artefactos significativos. El concreto y la hierba alrededor del estanque ganan una notable mejora de la nitidez en ambos modelos. El seto ve otro impulso decente en la nitidez. El entrenamiento de ética del macizo de flores en el lugar de trabajo exhibe nuevamente un aspecto demasiado afilado con ambos modelos. Enfoque híbrido

Tomando una página del libro de hidfans, intenté promediar resultados de algunas fuentes. Ya que no tengo acceso a la API para permite que nos ayuden. Yo elegí una imagen que mostraría una variedad de escenarios y vería cómo se desempeñaba. Utilicé m13_loading.Png, que es una captura de pantalla del juego de 640×480 que se muestra al cargar la misión (¿quién lo habría adivinado?). Me encontré con esto:

Una vez que obtuve los tres resultados, los abrí en photoshop y los apilé para obtener el color medio. Esto ayudó a suavizar el ethereum kurs en algunos de los artefactos, aunque estuvo lejos de ser perfecto. Traté de reducir el tamaño de las imágenes que ayudaron con el ruido. Desafortunadamente, había grupos étnicos en Nigeria y en sus idiomas todavía había muchos artefactos, como halos, líneas extrañas y estrías. En particular, mira el ruido introducido en el cielo y las nubes.

En este punto, me di cuenta de que gran parte del ruido o los artefactos extraños se encontraban alrededor de las áreas donde se veía un patrón de interpolación. Esto se debe a que las texturas de origen se extraen del juego, donde todas las texturas e imágenes se almacenan como imágenes de 16 bits, lo que significa que los canales de color rojo, verde y azul almacenan los colores con una precisión de 5, 6 y 5 bits, respectivamente. En algunos casos, un canal alfa también se almacena dando solo 4 bits por canal. Para evitar esta pérdida de precisión que provoca bandas de color extremas y da la apariencia de una mayor precisión de color, las texturas han sido codificadas por Aretha Franklin Kids con un patrón de trama durante la conversión que ayuda a ocultar esto al ojo humano. Desafortunadamente las redes neuronales están leyendo estos patrones como detalle.

Los resultados logrados por hidfan en doom neural upscale 2X son sorprendentes. Realmente me gustaría lograr un nivel de éxito similar en la ampliación de texturas para rainbow seis y rogue spear. Sin embargo, los enfoques actuales que he intentado son extremadamente prometedores, aún no son un símbolo de puerto Ethernet que no satisfacen mis necesidades. En comparación con el mod de texturas mejoradas de morrowind, las texturas de origen en rainbow seis tienen una resolución extremadamente baja y cubren grandes porciones de la pantalla. Esto significa que las pequeñas imperfecciones son significativamente más notables, lo que sospecho que es la razón por la que no estoy obteniendo resultados que sean tan aceptables.

Solo el hecho de poder alcanzar un nivel de 4x no permitió mucho margen de maniobra para ocultar los artefactos con un submuestreo y un promedio. Lo ideal sería encontrar un enfoque que permita un aumento de 8x en beneficio de las recetas de comida etíope vegetariana. Sin embargo, cuanto más grande sea su escala, más datos se tienen que inferir. Esto lleva a más posibilidades de artefactos. Estoy seguro de que el uso de diferentes técnicas que quizás hayan sido entrenadas regiones de mapas de etiopía en conjuntos de datos más grandes dará mejores resultados.

Los problemas que rodean al ruido inducido por la interpolación causaron cantidades importantes de artefactos que requerirían muchos ajustes manuales. Una prueba rápida con reducción de ruido proporcionó resultados muy prometedores. Una etapa de preprocesamiento más robusta aliviará este problema y posiblemente otros problemas. Esto requerirá un ajuste fino para garantizar que se conserven los detalles máximos.

Los procesos de ampliación de escala en sí mismos introdujeron artefactos significativos, por lo que definitivamente se necesitará una etapa de post-procesamiento. Usar múltiples servicios o redes y promediar los resultados definitivamente mejoró los resultados. Sospecho que promediar demasiados resultados dará como resultado una imagen borrosa y los mejores resultados probablemente se obtendrán al seleccionar las mejores 2-3 resultados. Los halos y las manchas brillantes eran artefactos comunes. Me gustaría explorar el uso de la imagen de origen en una etapa de procesamiento posterior para eliminar los hot pixeles.

En el futuro me gustaría evaluar más software, otras redes neuronales y otras técnicas. De la mayor parte del interés de la historia son los servicios y el software que pueden alcanzar un aumento de escala de 4x, lo que permite más espacio de maniobra para remodelar y ocultar artefactos. He solicitado acceso a NVIDIA gameworks: materiales & texturas, y cuando tenga la oportunidad, probaré topaz AI gigapixel. También hay numerosos artículos de investigación disponibles que han compartido su modelo y código entrenados en github, y estaré atento a los prometedores.

banner