NVIDIA Benytter Gaussiske Regresjonsalgoritmer For å Gjenopprette Forvrengte Bilder Nøyaktig

2023 Forfatter: Kayla Nelson | [email protected]. Sist endret: 2023-07-30 23:17

NVIDI har lenge vært kjent for sine plettfrie grafikkbehandlingsenheter (GPUer), og hovedproduktet er NVIDIGeForce-kortet. Med det har selskapet alltid vært i sentrum for forskning og utvikling av erfaring som forbedrer kunstig intelligens innen videospill, grafisk design, databehandling og bilbiler.

I det siste har NVIDI begynt å fokusere på kunstig intelligens isolert med sitt siste prosjekt med tung fokus på smart reimaging av allerede eksisterende bilder ved hjelp av gaussiske algoritmer for å evaluere de minste forskjellene mellom hundrevis av klare og uskarpe bilder kategorisert basert på temperatur og fargetone, og deretter å legge inn disse verdiene i regresjonsuttrykkene til individuelle uskarpe bilder for å gå tilbake til hvordan de originale klare bildene kunne ha sett ut. Denne prosessen utføres individuelt for hvert punkt på fotografiet, og summering brukes til å generere generisk minst forskjell verdi.

Algoritmen fungerer for å lære av tidligere forsøk på hva bestemte farger og mønstre på skjermen indikerer. Da systemet ble utviklet, var det tusenvis av uskarpe og originale bilder, slik at maskinen kunne identifisere hvilke mønstre og farger på skjermen som tilsvarer hvilke spor og kanter i originalbildet. Etter å ha blitt testet mange ganger, klarte NVIDI å lære sin AI-brikke å lære av tidligere forsøk og lagre database med matchende grafiske koder som blir konvertert til matematisk kode basert på plassering, fargetone og temperatur. Ved å bruke tidligere erfaring og forholdet som er etablert mellom de uskarpe og klare bildene av samme sted og fargetone, sprekker maskinen på med nye bilder, og bruker formlene som passer best til det nye bildets fargetone og temperatur. NVIDI har satt algoritmen sin gjennom nok forsøk til å ha sterk nok oppbevaringsdatabase som AI kan benytte seg av når de jobber med nyere bilder, og mekanismen står nå alene, i stand til å avdekke nesten hvilket som helst bilde ved å trene i forsterkningslæring (RL). Etter å ha avdekket nok ansikter, kan maskinen for eksempel se ut uskarpe ansikter når den blir satt på prøve, da den forstår hvilke uskarpe spor som i sannhet tilsvarer hvilke ansiktsdrag. Eksponering for forskjellige typer støy som foroverstrakte, hvitkalkede, filtrerte og strukturerte bilder har også lagt til algoritmedatabasen.

I algoritmens matematiske språk leser programmet korrupte og tydelige steder på tilsvarende bilder, og logger x, y, x ’og y’ inn i databasen. Deretter skaper den gaussiske regresjonskurven for å matche forskjellene mellom de to som tillater konvertering basert på generell fotografisk støy. I det minste kvadraters regresjonsuttrykk som genereres, tas den laveste verdien som tilfredsstiller tilstanden, og en ny kurve for den gaussiske verdien er tegnet. Når du konverterer bildet tilbake til sin opprinnelige klare kvalitet, endres temperaturen på hvert punkt basert på forskjellen i regresjonsmønsteret i AI-maskinens database som tilsvarer den aktuelle fargen og mønsteret, og hvert punkt blir snudd for å gi et helt klart bilde. Den gaussiske buemekanismen påvirker de mest generiske støyformene, men hvis enheten er i stand til å identifisere andre støyformer som ofte tilskrives dårlig tids lukkerhastighet eller generisk skyggelegging av de immage, blir den gaussiske minste differensverdien gjennomsnittet med datasets poisson (for førstnevnte) og Bernoulli (for sistnevnte) minste forskjell også.

I lekmannsbetingelser er rollen som kunstig intelligens spiller i dette smart deteksjon og konvertering av unike bilder basert på praksis som enheten allerede har forsøkt. Når det gjelder nivået av kunstig intelligens oppnådd i dag, som fremdeles er på et stadium der den ikke er spesielt uavhengig og har sin innsats begrenset til det omfanget av scenarier som allerede er praktisert, har NVIDI oppnådd sterkt med å lage en maskin som kan prøve og gjenskape usynlige bilder med det høyeste nøyaktighetsnivået ved kontinuerlig å tilpasse og utvide databasen for å forbedre suksessgraden for påfølgende fotografiske omsetninger.