Sa huling taon na ito na malapit nang magtapos, nakita natin kung paano ang pinakamalaking mga tatak ng mobile telephony ay lalong tumutok sa sektor ng photographic ng mga device: hindi lamang napag-usapan ang tungkol sa isang mas magandang naka-mount na camera sa pinakamagandang device, ngunit sa halip na mga algorithm na gagamitin sa pamamagitan ng artificial intelligence sa mas maraming "napetsahan" na mga device. Xiaomi halimbawa, gaya ng iniulat namin dito, ay nakatuon sa pagkuha (sa bahagi) ng Meitu na mayroong maraming mga algorithm ng kagandahan at mga patent ng imaging sa pagtatapon nito; ito, kasama ang sobrang mapagkumpitensyang presyo ng Xiaomi ay tiyak na magdadala ng pagpapabuti sa antas ng software ngartificial intelligence na nakatuon sa sektor ng photographic. Ngunit iba ang balita ngayon: pagsunod sa isang cross-study "DeepExposure: Pag-aaral na ilantad ang mga larawan sa pamamagitan ng asynchronously reinforced adversarial learning" ng Peking University, Sa Normal na Unibersidad ng Timog Tsina at Mga technician ng Xiaomi isang kahanga-hangang resulta ang nakamit. Kasama ang DeepExposure, pinapabuti ng Xiaomi ang pagkakalantad ng larawan sa pamamagitan ng AI, nang hindi nagkakaroon ng mga problema sa ilalim at labis na pagkakalantad.
DeepExposure: Pinapabuti ng Xiaomi ang pagkakalantad ng larawan sa pamamagitan ng AI
Ang mga mananaliksik ng Xiaomi Lab ilarawan ang isang solusyon sa dilemma ng pagkakalantad in 'nabanggit na artikulo, tinanggap sa NeurIPS 2018 sa Montreal, isang kaganapan na gaganapin mula Disyembre 3 hanggang 9 ngayong taon. Inilalarawan ng artikulong ito ang a AI system na may kakayahang i-segment ang imahe sa maraming "sub-image", bawat isa ay nauugnay sa isang partikular na exposure. Ang pagsasanib ng mga sub-image na ito na may iba't ibang exposure (mula sa ilalim hanggang sa over exposed) humahantong sa isang litrato na napakalapit sa larawang nakikita ng mata ng tao. Sinabi ng mga mananaliksik:
“Ang tumpak na pagkakalantad ay susi sa pagkuha ng mga de-kalidad na larawan sa computational photography, lalo na para sa mga mobile phone na nalilimitahan ng laki ng mga module ng camera. Dahil sa inspirasyon ng mga luminosity mask na karaniwang ginagamit ng mga propesyonal na photographer, sa artikulong ito ay bumuo kami ng bagong algorithm para sa pag-aaral ng mga exposure na may adversarial deep reinforcement learning".
Ang pamamaraan na nagpapahintulot sa maramihang mga tagubilin na maisakatuparan nang magkatulad upang mapabuti ang pagganap ngIA, binansagan DeepExposure , kicks off ang segmentasyon ng imahe. Ito ay sinusundan ng isang yugto kung saan ang mababang-resolution na input, mga sub-imahe at pagsasanib ng imahe ay pinagsama at pinoproseso. Pagkatapos nito ang algorithm ay lumipat sa a yugto ng pagtatapos kung saan sinusuri ang kabuuang kalidad. Sa huli, ang mga sub-image ay pinaghalo hanggang sa makuha ang huling larawan. DeepExposureSa ganitong paraan, palagi niyang na-restore ang karamihan sa mga detalye at istilo sa mga orihinal na larawan, habang pinapabuti ang liwanag at mga kulay.
Upang maisagawa ang eksperimentong ito, Xiaomi ginamit ang balangkas TensorFlow open source na binuo ni Google, isang serye ng Nvidia P40 Tesla GPU at isang hanay ng mga larawan MIT-Adobe FiveK. Ang makabagong paraan ng Ang DeepExposure ay nagsisilbing tulay sa pagitan ng mga pamamaraan ng malalim na pagkatuto at mga tradisyonal na paraan ng pag-filter: ang mga pamamaraan ng Ang malalim na pag-aaral ay ginagamit upang matutunan ang mga parameter ng filter, na ginagawang mas tumpak ang pag-filter kaysa sa mga tradisyonal na pamamaraan. Ang mga tradisyonal na pamamaraan ay nagpapababa ng oras ng pagsasanay ng mga deep-learning na pamamaraan dahil ang pixel filtering ay mas mabilis kaysa sa mga bagong teknolohiya.
Para sa Xiaomi, pagkatapos makuha ang mga algorithm at filter ng kagandahan ng Meitu, inaasahan ang mga spark sa sektor ng photographic. Aabot ba tayo sa panahon kung saan hindi na kailangan ang mga mirrorless at reflex camera? Ano ang iyong palagay tungkol sa mga ito? Isulat ito sa mga komento
