ചുരുക്ക ഉത്തരം: കുറഞ്ഞതും ഉയർന്നതുമായ റെസല്യൂഷനുള്ള ചിത്രങ്ങളിൽ ഒരു മോഡലിനെ പരിശീലിപ്പിച്ചാണ് AI അപ്സ്കേലിംഗ് പ്രവർത്തിക്കുന്നത്, തുടർന്ന് അപ്സ്കേലിംഗ് സമയത്ത് വിശ്വസനീയമായ അധിക പിക്സലുകൾ പ്രവചിക്കാൻ അത് ഉപയോഗിക്കുന്നു. പരിശീലനത്തിൽ മോഡൽ സമാനമായ ടെക്സ്ചറുകളോ മുഖങ്ങളോ കണ്ടിട്ടുണ്ടെങ്കിൽ, അത് ബോധ്യപ്പെടുത്തുന്ന വിശദാംശങ്ങൾ ചേർക്കാൻ കഴിയും; ഇല്ലെങ്കിൽ, അത് ഹാലോസ്, മെഴുക് പോലുള്ള ചർമ്മം അല്ലെങ്കിൽ വീഡിയോയിലെ ഫ്ലിക്കർ പോലുള്ള കലാസൃഷ്ടികളെ "ഭ്രമാത്മകമാക്കും".
പ്രധാന കാര്യങ്ങൾ:
പ്രവചനം: യാഥാർത്ഥ്യത്തിന്റെ ഉറപ്പായ പുനർനിർമ്മാണമല്ല, മറിച്ച് വിശ്വസനീയമായ വിശദാംശങ്ങളാണ് മോഡൽ സൃഷ്ടിക്കുന്നത്.
മോഡൽ തിരഞ്ഞെടുപ്പ്: CNN-കൾ കൂടുതൽ സ്ഥിരതയുള്ളതായിരിക്കും; GAN-കൾ കൂടുതൽ വ്യക്തതയുള്ളതായി കാണപ്പെടുമെങ്കിലും സവിശേഷതകൾ കണ്ടുപിടിക്കാൻ അവയ്ക്ക് സാധ്യതയുണ്ട്.
ആർട്ടിഫാക്റ്റ് പരിശോധനകൾ: ഹാലോകൾ, ആവർത്തിച്ചുള്ള ടെക്സ്ചറുകൾ, "ഏകദേശം അക്ഷരങ്ങൾ", പ്ലാസ്റ്റിക് പോലുള്ള മുഖങ്ങൾ എന്നിവ ശ്രദ്ധിക്കുക.
വീഡിയോ സ്ഥിരത: താൽക്കാലിക രീതികൾ ഉപയോഗിക്കുക, അല്ലെങ്കിൽ ഫ്രെയിം-ടു-ഫ്രെയിം ഷിമ്മറും ഡ്രിഫ്റ്റും നിങ്ങൾക്ക് കാണാൻ കഴിയും.
ഉയർന്ന തോതിലുള്ള ഉപയോഗം: കൃത്യത പ്രധാനമാണെങ്കിൽ, പ്രോസസ്സിംഗ് വെളിപ്പെടുത്തുകയും ഫലങ്ങൾ ഉദാഹരണമായി കണക്കാക്കുകയും ചെയ്യുക.
നിങ്ങൾ ഇത് കണ്ടിട്ടുണ്ടാകും: ഒരു ചെറിയ, ഞെരുക്കമുള്ള ചിത്രം, ഒരു ഞെട്ടലില്ലാതെ പ്രിന്റ് ചെയ്യാനോ, സ്ട്രീം ചെയ്യാനോ, അല്ലെങ്കിൽ ഒരു പ്രസന്റേഷനിൽ ഇടാനോ കഴിയുന്നത്ര മികച്ചതായി മാറുന്നു. ഇത് വഞ്ചന പോലെയാണ് തോന്നുന്നത്. ഏറ്റവും മികച്ച രീതിയിൽ പറഞ്ഞാൽ, അത് 😅 ആണ്
അപ്പോൾ, AI അപ്സ്കേലിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നത് "കമ്പ്യൂട്ടർ വിശദാംശങ്ങൾ മെച്ചപ്പെടുത്തുന്നു" (കൈകൊണ്ട് അലയടിക്കുന്നു) എന്നതിനേക്കാൾ കൂടുതൽ നിർദ്ദിഷ്ടമായ ഒന്നിലേക്കും "ഒരു മോഡൽ നിരവധി ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിച്ച പാറ്റേണുകളെ അടിസ്ഥാനമാക്കി വിശ്വസനീയമായ ഉയർന്ന റെസല്യൂഷൻ ഘടന പ്രവചിക്കുന്നു" (ഡീപ്പ് ലേണിംഗ് ഫോർ ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ: എ സർവേ) എന്നതിലേക്കും വരുന്നു. ആ പ്രവചന ഘട്ടമാണ് മുഴുവൻ ഗെയിം - അതുകൊണ്ടാണ് AI അപ്സ്കേലിംഗ് അതിശയകരമോ... അല്ലെങ്കിൽ അൽപ്പം പ്ലാസ്റ്റിക്കോ... അല്ലെങ്കിൽ നിങ്ങളുടെ പൂച്ച ബോണസ് വിസ്കറുകൾ വളർത്തിയതുപോലെയോ തോന്നുന്നത്.
ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:
🔗 AI എങ്ങനെ പ്രവർത്തിക്കുന്നു
AI-യിൽ മോഡലുകൾ, ഡാറ്റ, അനുമാനം എന്നിവയുടെ അടിസ്ഥാനകാര്യങ്ങൾ പഠിക്കുക.
🔗 AI എങ്ങനെ പഠിക്കുന്നു
പരിശീലന ഡാറ്റയും ഫീഡ്ബാക്കും കാലക്രമേണ മോഡൽ പ്രകടനം എങ്ങനെ മെച്ചപ്പെടുത്തുന്നുവെന്ന് കാണുക.
🔗 AI എങ്ങനെയാണ് അപാകതകൾ കണ്ടെത്തുന്നത്
പാറ്റേൺ അടിസ്ഥാനങ്ങളെ മനസ്സിലാക്കുകയും അസാധാരണമായ പെരുമാറ്റത്തെ AI എങ്ങനെ വേഗത്തിൽ ഫ്ലാഗ് ചെയ്യുന്നുവെന്ന് മനസ്സിലാക്കുകയും ചെയ്യുക.
🔗 AI എങ്ങനെയാണ് ട്രെൻഡുകൾ പ്രവചിക്കുന്നത്
സിഗ്നലുകൾ കണ്ടെത്തുകയും ഭാവിയിലെ ആവശ്യകത മുൻകൂട്ടി കാണുകയും ചെയ്യുന്ന പ്രവചന രീതികൾ പര്യവേക്ഷണം ചെയ്യുക.
AI അപ്സ്കേലിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു: കാതലായ ആശയം, ദൈനംദിന വാക്കുകളിൽ 🧩
അപ്സ്കെയിലിംഗ് എന്നാൽ റെസല്യൂഷൻ വർദ്ധിപ്പിക്കുക എന്നാണ് അർത്ഥമാക്കുന്നത്: കൂടുതൽ പിക്സലുകൾ, വലിയ ഇമേജ്. പരമ്പരാഗത അപ്സ്കെയിലിംഗ് (ബൈക്യൂബിക് പോലുള്ളവ) അടിസ്ഥാനപരമായി പിക്സലുകൾ വലിച്ചുനീട്ടുകയും സംക്രമണങ്ങളെ സുഗമമാക്കുകയും ചെയ്യുന്നു ( ബൈക്യൂബിക് ഇന്റർപോളേഷൻ ). ഇത് കുഴപ്പമില്ല, പക്ഷേ ഇതിന് പുതിയ വിശദാംശങ്ങൾ കണ്ടുപിടിക്കാൻ കഴിയില്ല - ഇത് ഇന്റർപോളേറ്റ് ചെയ്യുന്നു.
AI അപ്സ്കേലിംഗ് കൂടുതൽ ധീരമായ ഒന്ന് (ഗവേഷണ ലോകത്ത് "സൂപ്പർ-റെസല്യൂഷൻ" എന്നും അറിയപ്പെടുന്നു) പരീക്ഷിക്കുന്നു (ഇമേജ് സൂപ്പർ-റെസല്യൂഷനുള്ള ഡീപ്പ് ലേണിംഗ്: ഒരു സർവേ):
-
ഇത് കുറഞ്ഞ റെസല്യൂഷൻ ഇൻപുട്ടിലേക്ക് നോക്കുന്നു
-
പാറ്റേണുകൾ തിരിച്ചറിയുന്നു (അരികുകൾ, ടെക്സ്ചറുകൾ, മുഖ സവിശേഷതകൾ, ടെക്സ്റ്റ് സ്ട്രോക്കുകൾ, തുണി നെയ്ത്ത്...)
-
ഉയർന്ന റെസല്യൂഷൻ പതിപ്പ് എങ്ങനെയായിരിക്കണമെന്ന് പ്രവചിക്കുന്നു
-
ആ പാറ്റേണുകൾക്ക് അനുയോജ്യമായ അധിക പിക്സൽ ഡാറ്റ സൃഷ്ടിക്കുന്നു
"യാഥാർത്ഥ്യം പൂർണതയോടെ പുനഃസ്ഥാപിക്കുക" എന്നല്ല, മറിച്ച് "വളരെ വിശ്വസനീയമായ ഒരു ഊഹം ഉണ്ടാക്കുക" ( ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ യൂസിംഗ് ഡീപ് കൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ (SRCNN) ) എന്നതുപോലെയാണ് ). അത് അൽപ്പം സംശയാസ്പദമായി തോന്നുന്നുണ്ടെങ്കിൽ, നിങ്ങൾ തെറ്റുകാരനല്ല - പക്ഷേ അത് നന്നായി പ്രവർത്തിക്കുന്നതിന്റെ കാരണവും അതുകൊണ്ടാണ് 😄
അതെ, ഇതിനർത്ഥം AI അപ്സ്കേലിംഗ് അടിസ്ഥാനപരമായി നിയന്ത്രിത ഭ്രമാത്മകതയാണ്... എന്നാൽ ഉൽപ്പാദനക്ഷമവും പിക്സലിനെ ബഹുമാനിക്കുന്നതുമായ രീതിയിൽ.
AI അപ്സ്കെയിലിംഗിന്റെ ഒരു നല്ല പതിപ്പിനെ എങ്ങനെ മാറ്റാം? ✅🛠️
നിങ്ങൾ ഒരു AI അപ്സ്കെയിലറിനെ (അല്ലെങ്കിൽ ഒരു സെറ്റിംഗ് പ്രീസെറ്റിനെ) വിലയിരുത്തുകയാണെങ്കിൽ, ഏറ്റവും പ്രധാനപ്പെട്ടത് ഇതാ:
-
അമിതമായി വേവിക്കാതെ വിശദമായ വീണ്ടെടുക്കൽ
നല്ല അപ്സ്കേലിംഗ് ക്രിസ്പ്നെസ്സും ഘടനയും ചേർക്കുന്നു, ക്രഞ്ചി ശബ്ദമോ വ്യാജ സുഷിരങ്ങളോ അല്ല. -
അരികുകളിലെ അച്ചടക്കം
വൃത്തിയുള്ള ലൈനുകൾ വൃത്തിയായി തുടരും. മോശം മോഡലുകൾ അരികുകൾ ഇളകുകയോ വളയങ്ങൾ മുളപ്പിക്കുകയോ ചെയ്യുന്നു. -
ടെക്സ്ചർ റിയലിസം
മുടി ഒരു പെയിന്റ് ബ്രഷ് സ്ട്രോക്കായി മാറരുത്. ബ്രിക്ക് ആവർത്തിച്ചുള്ള പാറ്റേൺ സ്റ്റാമ്പായി മാറരുത്. -
ശബ്ദവും കംപ്രഷൻ കൈകാര്യം ചെയ്യലും
ദൈനംദിന ചിത്രങ്ങളിൽ പലതും JPEG-യിൽ പകർത്തി നശിപ്പിക്കുന്നു. ഒരു നല്ല അപ്സ്കെയിലർ ആ കേടുപാടുകൾ വർദ്ധിപ്പിക്കുന്നില്ല (Real-ESRGAN). -
മുഖവും വാചകവും സംബന്ധിച്ച അവബോധം
തെറ്റുകൾ കണ്ടെത്താൻ ഏറ്റവും എളുപ്പമുള്ള സ്ഥലങ്ങളാണ് മുഖങ്ങളും വാചകവും. നല്ല മോഡലുകൾ അവയെ സൗമ്യമായി കൈകാര്യം ചെയ്യുന്നു (അല്ലെങ്കിൽ പ്രത്യേക മോഡുകൾ ഉണ്ട്). -
ഫ്രെയിമുകളിലുടനീളമുള്ള സ്ഥിരത (വീഡിയോയ്ക്ക്)
വിശദാംശങ്ങൾ ഫ്രെയിം-ടു-ഫ്രെയിമിലേക്ക് മിന്നിമറഞ്ഞാൽ, നിങ്ങളുടെ കണ്ണുകൾ അലറിവിളിക്കും. വീഡിയോ അപ്സ്കെയിലിംഗ് താൽക്കാലിക സ്ഥിരതയാൽ ജീവിക്കുകയോ മരിക്കുകയോ ചെയ്യുന്നു (BasicVSR (CVPR 2021)). -
അർത്ഥവത്തായ നിയന്ത്രണങ്ങൾ
നിങ്ങൾക്ക് യഥാർത്ഥ ഫലങ്ങളിലേക്ക് മാപ്പ് ചെയ്യുന്ന സ്ലൈഡറുകൾ ആവശ്യമാണ്: ഡിനോയിസ്, ഡിബ്ലർ, ആർട്ടിഫാക്റ്റ് നീക്കം ചെയ്യൽ, ധാന്യം നിലനിർത്തൽ, ഷാർപ്പനിംഗ്... പ്രായോഗിക കാര്യങ്ങൾ.
നിശബ്ദമായ ഒരു നിയമം നിലനിൽക്കുന്നു: "മികച്ച" അപ്സ്കെയിലിംഗ് പലപ്പോഴും നിങ്ങൾ ശ്രദ്ധിക്കാതെ പോകുന്ന ഒന്നാണ്. നിങ്ങൾക്ക് ആരംഭിക്കാൻ ഇതിലും മികച്ച ക്യാമറ ഉണ്ടായിരുന്നതായി തോന്നുന്നു 📷✨
താരതമ്യ പട്ടിക: ജനപ്രിയ AI അപ്സ്കേലിംഗ് ഓപ്ഷനുകൾ (അവ എന്തിനു നല്ലതാണ്) 📊🙂
ഒരു പ്രായോഗിക താരതമ്യം താഴെ കൊടുക്കുന്നു. വിലകൾ മനഃപൂർവ്വം അവ്യക്തമാക്കിയിരിക്കുന്നു, കാരണം ഉപകരണങ്ങൾ ലൈസൻസ്, ബണ്ടിലുകൾ, കമ്പ്യൂട്ട് ചെലവുകൾ, മറ്റ് രസകരമായ കാര്യങ്ങൾ എന്നിവയെ ആശ്രയിച്ച് വ്യത്യാസപ്പെടുന്നു.
| ഉപകരണം / സമീപനം | ഏറ്റവും അനുയോജ്യം | വില നിലവാരം | ഇത് എന്തുകൊണ്ട് പ്രവർത്തിക്കുന്നു (ഏകദേശം) |
|---|---|---|---|
| ടോപസ്-സ്റ്റൈൽ ഡെസ്ക്ടോപ്പ് അപ്സ്കെയിലറുകൾ (ടോപസ് ഫോട്ടോ, ടോപസ് വീഡിയോ) | ഫോട്ടോകൾ, വീഡിയോ, എളുപ്പത്തിലുള്ള വർക്ക്ഫ്ലോ | പണമടച്ചുള്ള | ശക്തമായ പൊതുവായ മോഡലുകൾ + ധാരാളം ട്യൂണിംഗ്, "വെറുതെ പ്രവർത്തിക്കുന്നു"... മിക്കവാറും |
| അഡോബ് “സൂപ്പർ റെസല്യൂഷൻ” തരം സവിശേഷതകൾ (അഡോബ് എൻഹാൻസ് > സൂപ്പർ റെസല്യൂഷൻ) | ആ ആവാസവ്യവസ്ഥയിൽ ഇതിനകം തന്നെ ഫോട്ടോഗ്രാഫർമാർ ഉണ്ട് | സബ്സ്ക്രിപ്ഷൻ-y | ദൃഢമായ വിശദാംശ പുനർനിർമ്മാണം, സാധാരണയായി യാഥാസ്ഥിതിക (കുറവ് നാടകീയത) |
| റിയൽ-എസ്ആർജിഎൻ / എസ്ആർജിഎൻ വകഭേദങ്ങൾ (റിയൽ-എസ്ആർജിഎൻ, എസ്ആർജിഎൻ) | DIY, ഡെവലപ്പർമാർ, ബാച്ച് ജോലികൾ | സൗജന്യം (പക്ഷേ സമയച്ചെലവ് കൂടുതലാണ്) | ടെക്സ്ചർ വിശദാംശങ്ങളിൽ മികച്ചതാണ്, ശ്രദ്ധിച്ചില്ലെങ്കിൽ മുഖത്ത് എരിവുള്ളതായി മാറിയേക്കാം |
| ഡിഫ്യൂഷൻ അടിസ്ഥാനമാക്കിയുള്ള അപ്സ്കേലിംഗ് മോഡുകൾ (SR3) | സൃഷ്ടിപരമായ പ്രവർത്തനം, ശൈലീകൃത ഫലങ്ങൾ | മിക്സഡ് | മനോഹരമായ വിശദാംശങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയും - അസംബന്ധങ്ങൾ കണ്ടുപിടിക്കാനും കഴിയും, അതിനാൽ... അതെ |
| ഗെയിം അപ്സ്കെയിലറുകൾ (DLSS/FSR-സ്റ്റൈൽ) (NVIDIA DLSS, AMD FSR 2) | തത്സമയ ഗെയിമിംഗും റെൻഡറിംഗും | ബണ്ടിൽ ചെയ്തത് | മോഷൻ ഡാറ്റയും പഠിച്ച മുൻഗാമികളും ഉപയോഗിക്കുന്നു - സുഗമമായ പ്രകടന വിജയം 🕹️ |
| ക്ലൗഡ് അപ്സ്കെയിലിംഗ് സേവനങ്ങൾ | സൗകര്യം, വേഗത്തിലുള്ള വിജയങ്ങൾ | ഉപയോഗത്തിന് പണം നൽകുക | വേഗതയേറിയ + സ്കെയിലബിൾ, പക്ഷേ നിങ്ങൾ നിയന്ത്രണവും ചിലപ്പോൾ സൂക്ഷ്മതയും കൈമാറ്റം ചെയ്യുന്നു |
| വീഡിയോ-കേന്ദ്രീകൃത AI അപ്സ്കെയിലറുകൾ (BasicVSR, Topaz Video) | പഴയ ദൃശ്യങ്ങൾ, ആനിമേഷൻ, ആർക്കൈവുകൾ | പണമടച്ചുള്ള | ഫ്ലിക്കർ കുറയ്ക്കുന്നതിനുള്ള താൽക്കാലിക തന്ത്രങ്ങൾ + പ്രത്യേക വീഡിയോ മോഡലുകൾ |
| "സ്മാർട്ട്" ഫോൺ/ഗാലറി അപ്സ്കെയിലിംഗ് | സാധാരണ ഉപയോഗം | ഉൾപ്പെടുത്തിയിരിക്കുന്നു | പൂർണ്ണതയ്ക്കല്ല, മറിച്ച് മനോഹരമായ ഔട്ട്പുട്ടിനായി ട്യൂൺ ചെയ്ത ഭാരം കുറഞ്ഞ മോഡലുകൾ (ഇപ്പോഴും ഉപയോഗപ്രദമാണ്) |
ആ പട്ടികയിൽ "പെയ്ഡ്-ഇഷ്" എന്ന രീതിയിലുള്ള ഒരു ക്രിയ ഫോർമാറ്റ് ചെയ്യപ്പെടുന്നു. പക്ഷേ നിങ്ങൾക്ക് ആശയം മനസ്സിലാകും 😅
വലിയ രഹസ്യം: മോഡലുകൾ കുറഞ്ഞ റെസല്യൂഷനിൽ നിന്ന് ഉയർന്ന റെസല്യൂഷനിലേക്കുള്ള മാപ്പിംഗ് പഠിക്കുന്നു 🧠➡️🖼️
മിക്ക AI അപ്സ്കേലിംഗുകളുടെയും കാതൽ മേൽനോട്ടത്തിലുള്ള പഠന സജ്ജീകരണമാണ് (ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ യൂസിംഗ് ഡീപ് കൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ (SRCNN)):
-
ഉയർന്ന റെസല്യൂഷനുള്ള ചിത്രങ്ങൾ ("സത്യം") ഉപയോഗിച്ച് ആരംഭിക്കുക
-
അവയെ കുറഞ്ഞ റെസല്യൂഷൻ പതിപ്പുകളിലേക്ക് (“ഇൻപുട്ട്”) ഡൗൺസാമ്പിൾ ചെയ്യുക
-
താഴ്ന്ന റെസല്യൂഷനിൽ നിന്ന് യഥാർത്ഥ ഉയർന്ന റെസല്യൂഷൻ പുനർനിർമ്മിക്കാൻ ഒരു മോഡൽ പരിശീലിപ്പിക്കുക
കാലക്രമേണ, മോഡൽ ഇനിപ്പറയുന്നതുപോലുള്ള പരസ്പരബന്ധങ്ങൾ പഠിക്കുന്നു:
-
"കണ്ണിനു ചുറ്റുമുള്ള ഇത്തരത്തിലുള്ള മങ്ങൽ സാധാരണയായി കണ്പീലികളുടേതാണ്"
-
"ഈ പിക്സൽ ക്ലസ്റ്റർ പലപ്പോഴും സെരിഫ് ടെക്സ്റ്റിനെ സൂചിപ്പിക്കുന്നു"
-
"ഈ എഡ്ജ് ഗ്രേഡിയന്റ് ഒരു റൂഫ്ടോപ്പ് ലൈൻ പോലെയാണ് കാണപ്പെടുന്നത്, ക്രമരഹിതമായ ശബ്ദമല്ല"
ഇത് നിർദ്ദിഷ്ട ചിത്രങ്ങൾ (ലളിതമായ അർത്ഥത്തിൽ) മനഃപാഠമാക്കുകയല്ല, സ്റ്റാറ്റിസ്റ്റിക്കൽ ഘടന പഠിക്കുകയാണ് (ഡീപ് ലേണിംഗ് ഫോർ ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ: എ സർവേ). ടെക്സ്ചറുകളുടെയും അരികുകളുടെയും വ്യാകരണം പഠിക്കുന്നത് പോലെ ഇതിനെ സങ്കൽപ്പിക്കുക. കവിത വ്യാകരണമല്ല, കൂടുതൽ... IKEA മാനുവൽ വ്യാകരണം 🪑📦 (വിചിത്രമായ രൂപകം, പക്ഷേ ആവശ്യത്തിന് അടുത്ത്).
നട്ടുകളും ബോൾട്ടുകളും: അനുമാന സമയത്ത് (നിങ്ങൾ അപ്സ്കെയിൽ ചെയ്യുമ്പോൾ) എന്ത് സംഭവിക്കുന്നു ⚙️✨
ഒരു AI അപ്സ്കെയിലറിലേക്ക് ഒരു ചിത്രം ഫീഡ് ചെയ്യുമ്പോൾ, സാധാരണയായി ഇതുപോലുള്ള ഒരു പൈപ്പ്ലൈൻ ഉണ്ടാകും:
-
പ്രീപ്രോസസ്സിംഗ്
-
കളർ സ്പെയ്സ് പരിവർത്തനം ചെയ്യുക (ചിലപ്പോൾ)
-
പിക്സൽ മൂല്യങ്ങൾ സാധാരണമാക്കുക
-
ചിത്രം വലുതാണെങ്കിൽ കഷണങ്ങളാക്കി ടൈൽ ചെയ്യുക (VRAM റിയാലിറ്റി പരിശോധന 😭) (റിയൽ-എസ്ആർജിഎഎൻ റിപ്പോ (ടൈൽ ഓപ്ഷനുകൾ))
-
-
ഫീച്ചർ എക്സ്ട്രാക്ഷൻ
-
ആദ്യകാല പാളികൾ അരികുകൾ, കോണുകൾ, ചരിവുകൾ എന്നിവ കണ്ടെത്തുന്നു
-
ആഴത്തിലുള്ള പാളികൾ പാറ്റേണുകൾ കണ്ടെത്തുന്നു: ഘടനകൾ, ആകൃതികൾ, മുഖ ഘടകങ്ങൾ
-
-
പുനർനിർമ്മാണം
-
ഈ മോഡൽ ഉയർന്ന റെസല്യൂഷനുള്ള ഒരു ഫീച്ചർ മാപ്പ് സൃഷ്ടിക്കുന്നു
-
എന്നിട്ട് അത് യഥാർത്ഥ പിക്സൽ ഔട്ട്പുട്ടിലേക്ക് പരിവർത്തനം ചെയ്യുന്നു
-
-
പോസ്റ്റ്-പ്രോസസ്സിംഗ്
-
ഓപ്ഷണൽ മൂർച്ച കൂട്ടൽ
-
ഓപ്ഷണൽ ഡിനോയിസ്
-
ഓപ്ഷണൽ ആർട്ടിഫാക്റ്റ് സപ്രഷൻ (റിംഗിംഗ്, ഹാലോസ്, ബ്ലോക്കിനെസ്)
-
ഒരു സൂക്ഷ്മമായ വിശദാംശം: ടൈലുകളിൽ ഉയർന്ന നിലവാരത്തിലുള്ള നിരവധി ഉപകരണങ്ങൾ, പിന്നീട് സീമുകൾ കലർത്തുന്നു. മികച്ച ഉപകരണങ്ങൾ ടൈൽ അതിരുകൾ മറയ്ക്കുന്നു. നിങ്ങൾ കണ്ണിറുക്കുകയാണെങ്കിൽ മെഹ് ഉപകരണങ്ങൾ നേരിയ ഗ്രിഡ് അടയാളങ്ങൾ അവശേഷിപ്പിക്കുന്നു. അതെ, നിങ്ങൾ കണ്ണിറുക്കും, കാരണം മനുഷ്യർ ചെറിയ ഗ്രെംലിനുകളെപ്പോലെ 300% സൂമിൽ ചെറിയ അപൂർണതകൾ പരിശോധിക്കാൻ ഇഷ്ടപ്പെടുന്നു 🧌
AI അപ്സ്കേലിംഗിനായി ഉപയോഗിക്കുന്ന പ്രധാന മോഡൽ കുടുംബങ്ങൾ (അവ വ്യത്യസ്തമായി തോന്നുന്നതിന്റെ കാരണം) 🤖📚
1) സിഎൻഎൻ അടിസ്ഥാനമാക്കിയുള്ള സൂപ്പർ-റെസല്യൂഷൻ (ക്ലാസിക് വർക്ക്ഹോഴ്സ്)
കൺവോള്യൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ പ്രാദേശിക പാറ്റേണുകളിൽ മികച്ചതാണ്: അരികുകൾ, ടെക്സ്ചറുകൾ, ചെറിയ ഘടനകൾ (ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ യൂസിംഗ് ഡീപ് കൺവോള്യൂഷണൽ നെറ്റ്വർക്കുകൾ (SRCNN)).
-
ഗുണങ്ങൾ: വേഗതയേറിയത്, സ്ഥിരതയുള്ളത്, കുറച്ച് ആശ്ചര്യങ്ങൾ
-
ദോഷങ്ങൾ: കഠിനമായി ശ്രമിച്ചാൽ അൽപ്പം "പ്രോസസ് ചെയ്തതായി" തോന്നാം
2) GAN-അധിഷ്ഠിത അപ്സ്കേലിംഗ് (ESRGAN-ശൈലി) 🎭
ഒരു വിവേചനക്കാരന് യഥാർത്ഥ ഇമേജുകളിൽ നിന്ന് വേർതിരിച്ചറിയാൻ കഴിയാത്ത ഉയർന്ന റെസല്യൂഷൻ ഇമേജുകൾ നിർമ്മിക്കാൻ GAN-കൾ (ജനറേറ്റീവ് അഡ്വർസറിയൽ നെറ്റ്വർക്കുകൾ) ഒരു ജനറേറ്ററിനെ പരിശീലിപ്പിക്കുന്നു (ജനറേറ്റീവ് അഡ്വർസറിയൽ നെറ്റ്വർക്കുകൾ).
-
ഗുണങ്ങൾ: ശക്തമായ വിശദാംശങ്ങൾ, ശ്രദ്ധേയമായ ഘടന
-
ദോഷങ്ങൾ: ഇല്ലാതിരുന്ന വിശദാംശങ്ങൾ കണ്ടുപിടിക്കാൻ കഴിയും - ചിലപ്പോൾ തെറ്റ്, ചിലപ്പോൾ വിചിത്രം (SRGAN, ESRGAN)
ഒരു GAN നിങ്ങൾക്ക് ശ്വാസംമുട്ടിക്കുന്നത്ര മൂർച്ച നൽകാൻ കഴിയും. നിങ്ങളുടെ പോർട്രെയ്റ്റ് സബ്ജക്ടിന് ഒരു അധിക പുരികം കൂടി നൽകാൻ ഇതിന് കഴിയും. അപ്പോൾ... നിങ്ങളുടെ യുദ്ധങ്ങൾ തിരഞ്ഞെടുക്കുക 😬
3) ഡിഫ്യൂഷൻ അടിസ്ഥാനമാക്കിയുള്ള അപ്സ്കേലിംഗ് (ക്രിയേറ്റീവ് വൈൽഡ്കാർഡ്) 🌫️➡️🖼️
ഡിഫ്യൂഷൻ മോഡലുകൾ ഘട്ടം ഘട്ടമായി ശബ്ദത്തെ ഇല്ലാതാക്കുന്നു, ഉയർന്ന റെസല്യൂഷൻ വിശദാംശങ്ങൾ (SR3) നിർമ്മിക്കാൻ അവയെ നയിക്കാനാകും.
-
ഗുണങ്ങൾ: വിശ്വസനീയമായ വിശദാംശങ്ങളിൽ അവിശ്വസനീയമാംവിധം മിടുക്കനായിരിക്കും, പ്രത്യേകിച്ച് സൃഷ്ടിപരമായ ജോലികൾക്ക്
-
ദോഷങ്ങൾ: ക്രമീകരണങ്ങൾ ആക്രമണാത്മകമാണെങ്കിൽ യഥാർത്ഥ ഐഡന്റിറ്റിയിൽ നിന്നോ ഘടനയിൽ നിന്നോ അകന്നുപോകാം (SR3)
ഇവിടെയാണ് "അപ്സ്കേലിംഗ്" "പുനർനിർമ്മാണത്തിലേക്ക്" കൂടിച്ചേരാൻ തുടങ്ങുന്നത്. ചിലപ്പോൾ നിങ്ങൾ ആഗ്രഹിക്കുന്നത് അതാണ്. ചിലപ്പോൾ അങ്ങനെയല്ല.
4) താൽക്കാലിക സ്ഥിരതയോടെ വീഡിയോ അപ്സ്കെയിലിംഗ് 🎞️
വീഡിയോ അപ്സ്കെയിലിംഗ് പലപ്പോഴും ചലനത്തെക്കുറിച്ചുള്ള അവബോധ യുക്തി ചേർക്കുന്നു:
-
വിശദാംശങ്ങൾ സ്ഥിരപ്പെടുത്താൻ അയൽ ഫ്രെയിമുകൾ ഉപയോഗിക്കുന്നു (BasicVSR (CVPR 2021))
-
ഫ്ലിക്കറും ക്രാൾ ചെയ്യുന്നതുമായ ആർട്ടിഫാക്റ്റുകൾ ഒഴിവാക്കാൻ ശ്രമിക്കുന്നു
-
പലപ്പോഴും സൂപ്പർ-റെസല്യൂഷൻ, ഡിനോയിസ്, ഡീഇന്റർലേസിംഗ് എന്നിവയുമായി സംയോജിപ്പിക്കുന്നു (ടോപസ് വീഡിയോ)
ഇമേജ് അപ്സ്കെയിലിംഗ് ഒരു പെയിന്റിംഗ് പുനഃസ്ഥാപിക്കുന്നത് പോലെയാണെങ്കിൽ, വീഡിയോ അപ്സ്കെയിലിംഗ് എന്നത് കഥാപാത്രത്തിന്റെ മൂക്കിന്റെ ആകൃതി ഓരോ പേജിലും മാറ്റാതെ ഒരു ഫ്ലിപ്പ്ബുക്ക് പുനഃസ്ഥാപിക്കുന്നത് പോലെയാണ്. അത്... തോന്നുന്നതിനേക്കാൾ ബുദ്ധിമുട്ടാണ്.
AI അപ്സ്കേലിംഗ് ചിലപ്പോൾ വ്യാജമായി തോന്നുന്നത് എന്തുകൊണ്ട് (അത് എങ്ങനെ കണ്ടെത്താം) 👀🚩
AI അപ്സ്കേലിംഗ് തിരിച്ചറിയാവുന്ന വിധങ്ങളിൽ പരാജയപ്പെടുന്നു. ഒരിക്കൽ നിങ്ങൾ പാറ്റേണുകൾ പഠിച്ചുകഴിഞ്ഞാൽ, നിങ്ങൾക്ക് അവ എല്ലായിടത്തും കാണാൻ കഴിയും, ഒരു പുതിയ കാർ വാങ്ങുമ്പോൾ എല്ലാ തെരുവിലും പെട്ടെന്ന് ആ മോഡൽ ശ്രദ്ധിക്കുന്നത് പോലെ 😵💫
പൊതുവായി പറയുന്നത്:
-
വാക്സ് സ്കിൻ (വളരെയധികം ശബ്ദമുണ്ടാക്കൽ + മിനുസപ്പെടുത്തൽ)
-
അമിതമായി മൂർച്ചയുള്ള ഹാലോകൾ (ക്ലാസിക് "ഓവർഷൂട്ട്" ടെറിട്ടറി) (ബിക്യൂബിക് ഇന്റർപോളേഷൻ)
-
ആവർത്തിച്ചുള്ള ടെക്സ്ചറുകൾ (ഇഷ്ടിക ചുവരുകൾ കോപ്പി-പേസ്റ്റ് പാറ്റേണുകളായി മാറുന്നു)
-
"അൽഗോരിതം" എന്ന് അലറുന്ന ക്രഞ്ചി മൈക്രോ-കോൺട്രാസ്റ്റ്
-
അക്ഷരങ്ങൾ ഏതാണ്ട് അക്ഷരങ്ങളായി മാറുന്ന വാചകം മങ്ങുന്നു (ഏറ്റവും മോശം തരം)
-
വിശദാംശ ചലനം , പ്രത്യേകിച്ച് ഡിഫ്യൂഷൻ വർക്ക്ഫ്ലോകളിൽ (SR3)
തന്ത്രപരമായ ഭാഗം: ചിലപ്പോൾ ഈ കലാസൃഷ്ടികൾ ഒറ്റനോട്ടത്തിൽ "മികച്ചതായി" തോന്നും. നിങ്ങളുടെ തലച്ചോറിന് മൂർച്ച ഇഷ്ടമാണ്. എന്നാൽ ഒരു നിമിഷം കഴിയുമ്പോൾ, അത്... മങ്ങിയതായി തോന്നുന്നു.
ഒരു നല്ല തന്ത്രം, സൂം ഔട്ട് ചെയ്ത് സാധാരണ വ്യൂവിംഗ് ദൂരത്തിൽ അത് സ്വാഭാവികമായി കാണപ്പെടുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക എന്നതാണ്. 400% സൂമിൽ മാത്രം അത് നന്നായി കാണപ്പെടുന്നുണ്ടെങ്കിൽ, അത് ഒരു വിജയമല്ല, അതൊരു ഹോബിയാണ് 😅
AI അപ്സ്കേലിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു: ഗണിത തലവേദനയില്ലാതെ പരിശീലന വശം 📉🙂
സൂപ്പർ-റെസല്യൂഷൻ മോഡലുകളുടെ പരിശീലനത്തിൽ സാധാരണയായി ഇവ ഉൾപ്പെടുന്നു:
-
ജോടിയാക്കിയ ഡാറ്റാസെറ്റുകൾ (കുറഞ്ഞ റെസല്യൂഷൻ ഇൻപുട്ട്, ഉയർന്ന റെസല്യൂഷൻ ലക്ഷ്യം) (ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ യൂസിംഗ് ഡീപ് കൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ (SRCNN))
-
തെറ്റായ പുനർനിർമ്മാണങ്ങളെ ശിക്ഷിക്കുന്ന നഷ്ട പ്രവർത്തനങ്ങൾ ( SRGAN )
സാധാരണ നഷ്ട തരങ്ങൾ:
-
പിക്സൽ നഷ്ടം (L1/L2)
കൃത്യത പ്രോത്സാഹിപ്പിക്കുന്നു. നേരിയ തോതിൽ മൃദുവായ ഫലങ്ങൾ നൽകാൻ കഴിയും. -
പെർസെപ്ച്വൽ ലോസ്
ആഴത്തിലുള്ള സവിശേഷതകളെ (“ഇത് തോന്നുന്നുണ്ടോ ” പോലുള്ളവ) താരതമ്യം ചെയ്യുന്നു (പെർസെപ്ച്വൽ ലോസസ് (ജോൺസൺ എറ്റ് ആൽ., 2016)). -
എതിരാളി നഷ്ടം (GAN)
യാഥാർത്ഥ്യത്തെ പ്രോത്സാഹിപ്പിക്കുന്നു, ചിലപ്പോൾ അക്ഷരാർത്ഥ കൃത്യതയുടെ ചെലവിൽ (SRGAN, ജനറേറ്റീവ് അഡ്വർസറിയൽ നെറ്റ്വർക്കുകൾ).
നിരന്തരമായ ഒരു തർക്കം നടക്കുന്നു:
-
ഒറിജിനലിനോട് വിശ്വസ്തത പുലർത്തുക vs
-
കാഴ്ചയ്ക്ക് മനോഹരമാക്കുക
ആ സ്പെക്ട്രത്തിൽ വ്യത്യസ്ത ഉപകരണങ്ങൾ വ്യത്യസ്ത സ്ഥലങ്ങളിൽ പതിക്കുന്നു. കുടുംബ ഫോട്ടോകൾ പുനഃസ്ഥാപിക്കുകയാണോ അതോ ഫോറൻസിക് കൃത്യതയേക്കാൾ "സുന്ദരത"യ്ക്ക് പ്രാധാന്യം നൽകുന്ന ഒരു പോസ്റ്റർ തയ്യാറാക്കുകയാണോ എന്നതിനെ ആശ്രയിച്ച് നിങ്ങൾക്ക് ഒന്ന് തിരഞ്ഞെടുക്കാം.
പ്രായോഗിക വർക്ക്ഫ്ലോകൾ: ഫോട്ടോകൾ, പഴയ സ്കാനുകൾ, ആനിമേഷൻ, വീഡിയോ 📸🧾🎥
ഫോട്ടോകൾ (ഛായാചിത്രങ്ങൾ, ലാൻഡ്സ്കേപ്പുകൾ, ഉൽപ്പന്ന ഷോട്ടുകൾ)
സാധാരണയായി ഏറ്റവും നല്ല രീതി:
-
ആദ്യം നേരിയ ശബ്ദം കുറയ്ക്കുക (ആവശ്യമെങ്കിൽ)
-
യാഥാസ്ഥിതിക ക്രമീകരണങ്ങളുള്ള ഉയർന്ന നിലവാരം
-
കാര്യങ്ങൾ വളരെ മൃദുവായി തോന്നിയാൽ തിരികെ ധാന്യം ചേർക്കുക (അതെ, ശരിക്കും)
ഉപ്പ് പോലെയാണ് ധാന്യം. അമിതമായാൽ അത്താഴം നശിക്കും, പക്ഷേ അതിൽ ഒന്നിനും ഉപ്പ് പോലെ രുചിയില്ല 🍟
പഴയ സ്കാനുകളും വളരെയധികം കംപ്രസ് ചെയ്ത ചിത്രങ്ങളും
കംപ്രഷൻ ബ്ലോക്കുകളെ "ടെക്സ്ചർ" ആയി മോഡൽ കണക്കാക്കിയേക്കാമെന്നതിനാൽ ഇവ കൂടുതൽ ബുദ്ധിമുട്ടാണ്.
ശ്രമിക്കുക:
-
ആർട്ടിഫാക്റ്റ് നീക്കം ചെയ്യൽ അല്ലെങ്കിൽ ഡീബ്ലോക്കിംഗ്
-
പിന്നെ ഉയർന്ന നിലവാരത്തിലുള്ളത്
-
പിന്നെ നേരിയ മൂർച്ച കൂട്ടൽ (അധികമല്ല... എനിക്കറിയാം, എല്ലാവരും അങ്ങനെ പറയും, പക്ഷേ ഇപ്പോഴും)
ആനിമേഷനും ലൈൻ ആർട്ടും
ലൈൻ ആർട്ടിന്റെ ഗുണങ്ങൾ ഇവയാണ്:
-
വൃത്തിയുള്ള അരികുകൾ സംരക്ഷിക്കുന്ന മോഡലുകൾ
-
കുറഞ്ഞ ടെക്സ്ചർ ഹാലുസിനേഷൻ
ആനിമേഷൻ അപ്സ്കെയിലിംഗ് പലപ്പോഴും മികച്ചതായി കാണപ്പെടുന്നു, കാരണം ആകൃതികൾ ലളിതവും സ്ഥിരതയുള്ളതുമാണ്. (ഭാഗ്യം.)
വീഡിയോ
വീഡിയോയിൽ അധിക ഘട്ടങ്ങൾ ചേർക്കുന്നു:
-
ഡിനോയ്സ്
-
ഡീഇന്റർലേസ് (ചില ഉറവിടങ്ങൾക്ക്)
-
ഉയർന്ന നിലവാരത്തിലുള്ളത്
-
താൽക്കാലിക സ്മൂത്തിംഗ് അല്ലെങ്കിൽ സ്റ്റെബിലൈസേഷൻ (ബേസിക് വിഎസ്ആർ (സിവിപിആർ 2021))
-
സംയോജനത്തിനായി ഓപ്ഷണൽ ധാന്യ പുനരവലോകനം
താൽക്കാലിക സ്ഥിരത ഒഴിവാക്കിയാൽ, നിങ്ങൾക്ക് ആ മിന്നുന്ന വിശദാംശങ്ങളുടെ മിന്നൽ ലഭിക്കും. ഒരിക്കൽ നിങ്ങൾ അത് ശ്രദ്ധിച്ചുകഴിഞ്ഞാൽ, നിങ്ങൾക്ക് അത് മറയ്ക്കാൻ കഴിയില്ല. ശാന്തമായ ഒരു മുറിയിലെ ഞരങ്ങുന്ന കസേര പോലെ 😖
വന്യമായി ഊഹിക്കാതെ ക്രമീകരണങ്ങൾ തിരഞ്ഞെടുക്കുന്നു (ഒരു ചെറിയ ചീറ്റ് ഷീറ്റ്) 🎛️😵💫
ഇതാ ഒരു നല്ല തുടക്ക മനസ്ഥിതി:
-
മുഖങ്ങൾ പ്ലാസ്റ്റിക് ആയി കാണപ്പെടുന്നുവെങ്കിൽ
ഡിനോയിസ് കുറയ്ക്കുക, മൂർച്ച കൂട്ടൽ കുറയ്ക്കുക, മുഖം സംരക്ഷിക്കുന്ന ഒരു മോഡലോ മോഡോ പരീക്ഷിക്കുക. -
ടെക്സ്ചറുകൾ വളരെ തീവ്രമായി തോന്നുന്നുവെങ്കിൽ
"വിശദാംശങ്ങൾ മെച്ചപ്പെടുത്തൽ" അല്ലെങ്കിൽ "വിശദാംശങ്ങൾ വീണ്ടെടുക്കുക" സ്ലൈഡറുകൾ താഴ്ത്തുക, തുടർന്ന് സൂക്ഷ്മമായ ഗ്രെയിൻ ചേർക്കുക. -
അരികുകൾ തിളങ്ങുന്നുണ്ടെങ്കിൽ
ഷാർപ്പനിംഗ് കുറയ്ക്കുക, ഹാലോ സപ്രഷൻ ഓപ്ഷനുകൾ പരിശോധിക്കുക. -
ചിത്രം വളരെ "AI" ആയി തോന്നുന്നുവെങ്കിൽ
കൂടുതൽ യാഥാസ്ഥിതികമായി പോകുക. ചിലപ്പോൾ ഏറ്റവും നല്ല നീക്കം... കുറവായിരിക്കും.
കൂടാതെ: നിങ്ങൾക്ക് കഴിയുമെന്ന് കരുതി 8x അപ്സ്കെയിൽ ചെയ്യരുത്. ഒരു ക്ലീൻ 2x അല്ലെങ്കിൽ 4x ആണ് പലപ്പോഴും സ്വീറ്റ് സ്പോട്ട്. അതിനുമപ്പുറം, നിങ്ങളുടെ പിക്സലുകളെക്കുറിച്ച് ഫാൻ ഫിക്ഷൻ എഴുതാൻ നിങ്ങൾ മോഡലിനോട് ആവശ്യപ്പെടുകയാണ് 📖😂
ധാർമ്മികത, ആധികാരികത, "സത്യം" എന്ന വിചിത്രമായ ചോദ്യം 🧭😬
AI അപ്സ്കേലിംഗ് ഒരു വരി മങ്ങിക്കുന്നു:
-
പുനഃസ്ഥാപനം എന്നാൽ ഉണ്ടായിരുന്നത് വീണ്ടെടുക്കുന്നതിനെ സൂചിപ്പിക്കുന്നു
-
മെച്ചപ്പെടുത്തൽ എന്നാൽ ഇല്ലാത്തത് ചേർക്കുന്നതിനെയാണ് സൂചിപ്പിക്കുന്നത്
വ്യക്തിപരമായ ഫോട്ടോകളുടെ കാര്യത്തിൽ, ഇത് സാധാരണയായി നല്ലതാണ് (മനോഹരവുമാണ്). പത്രപ്രവർത്തനം, നിയമപരമായ തെളിവുകൾ, മെഡിക്കൽ ഇമേജിംഗ്, അല്ലെങ്കിൽ വിശ്വസ്തത പ്രാധാന്യമുള്ള മറ്റെന്തെങ്കിലും... നിങ്ങൾ ശ്രദ്ധിക്കേണ്ടതുണ്ട് (OSAC/NIST: ഫോറൻസിക് ഡിജിറ്റൽ ഇമേജ് മാനേജ്മെന്റിനുള്ള സ്റ്റാൻഡേർഡ് ഗൈഡ്, ഫോറൻസിക് ഇമേജ് വിശകലനത്തിനുള്ള SWGDE മാർഗ്ഗനിർദ്ദേശങ്ങൾ).
ഒരു ലളിതമായ നിയമം:
-
അപകടസാധ്യതകൾ കൂടുതലാണെങ്കിൽ, AI അപ്സ്കേലിംഗിനെ ചിത്രീകരണമായിട്ടേ.
കൂടാതെ, പ്രൊഫഷണൽ സാഹചര്യങ്ങളിൽ വെളിപ്പെടുത്തൽ പ്രധാനമാണ്. AI തിന്മയായതുകൊണ്ടല്ല, മറിച്ച് വിശദാംശങ്ങൾ പുനർനിർമ്മിച്ചതാണോ അതോ പകർത്തിയതാണോ എന്ന് പ്രേക്ഷകർക്ക് അറിയാൻ അർഹതയുണ്ട്. അത്... ബഹുമാനപൂർവ്വം.
സമാപന കുറിപ്പുകളും ഒരു ചെറിയ സംഗ്രഹവും 🧡✅
അപ്പോൾ, AI അപ്സ്കേലിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നത് ഇതാണ്: ഉയർന്ന റെസല്യൂഷൻ വിശദാംശങ്ങൾ കുറഞ്ഞ റെസല്യൂഷൻ പാറ്റേണുകളുമായി എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്ന് മോഡലുകൾ പഠിക്കുന്നു, തുടർന്ന് അപ്സ്കേലിംഗ് സമയത്ത് വിശ്വസനീയമായ അധിക പിക്സലുകൾ പ്രവചിക്കുന്നു ( ഡീപ്പ് ലേണിംഗ് ഫോർ ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ: എ സർവേ ). മോഡൽ കുടുംബത്തെ ആശ്രയിച്ച് (CNN, GAN, ഡിഫ്യൂഷൻ, വീഡിയോ-ടെമ്പറൽ), ആ പ്രവചനം യാഥാസ്ഥിതികവും വിശ്വസ്തവുമാകാം... അല്ലെങ്കിൽ ധീരവും ചിലപ്പോൾ അനിയന്ത്രിതവുമാകാം 😅
ദ്രുത റീക്യാപ്പ്
-
പരമ്പരാഗത അപ്സ്കേലിംഗ് പിക്സലുകൾ സ്ട്രെച്ച് ചെയ്യുന്നു (ബിക്യൂബിക് ഇന്റർപോളേഷൻ)
-
പഠിച്ച പാറ്റേണുകൾ ( ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ യൂസിംഗ് ഡീപ് കൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ (SRCNN) ) ഉപയോഗിച്ച് നഷ്ടപ്പെട്ട വിശദാംശങ്ങൾ AI അപ്സ്കേലിംഗ് പ്രവചിക്കുന്നു.
-
ശരിയായ മാതൃകയിൽ നിന്നും + നിയന്ത്രണത്തിൽ നിന്നും മികച്ച ഫലങ്ങൾ ലഭിക്കും
-
വീഡിയോയിൽ ഹാലോസ്, മെഴുക് പോലുള്ള മുഖങ്ങൾ, ആവർത്തിച്ചുള്ള ടെക്സ്ചറുകൾ, ഫ്ലിക്കർ എന്നിവ ശ്രദ്ധിക്കുക (BasicVSR (CVPR 2021))
-
അപ്സ്കെയിലിംഗ് പലപ്പോഴും "സാധ്യമായ പുനർനിർമ്മാണമാണ്", പൂർണ്ണമായ സത്യമല്ല (SRGAN, ESRGAN)
നിങ്ങൾക്ക് വേണമെങ്കിൽ, നിങ്ങൾ എന്താണ് അപ്സ്കെയിലിംഗ് ചെയ്യുന്നതെന്ന് എന്നോട് പറയൂ (മുഖങ്ങൾ, പഴയ ഫോട്ടോകൾ, വീഡിയോ, ആനിമേഷൻ, ടെക്സ്റ്റ് സ്കാനുകൾ), സാധാരണ "AI ലുക്ക്" പിഴവുകൾ ഒഴിവാക്കാൻ ശ്രമിക്കുന്ന ഒരു സെറ്റിംഗ്സ് തന്ത്രം ഞാൻ നിർദ്ദേശിക്കാം 🎯🙂
യഥാർത്ഥ ലോക ഉദാഹരണം: പഴയ മാർക്കറ്റ്പ്ലെയ്സ് ഉൽപ്പന്ന ഫോട്ടോകൾ അപ്സ്കെയിലിംഗ് 📸
രംഗം
ഒരു ചെറിയ സെക്കൻഡ് ഹാൻഡ് ക്യാമറ കടയിൽ, 800px വീതിയുള്ള ഒരു പഴയ വെബ്സൈറ്റിൽ നിന്ന് എക്സ്പോർട്ട് ചെയ്ത 40 ഉൽപ്പന്ന ഫോട്ടോകൾ ഉണ്ട്. 1,600px വീതിയുള്ള ശുപാർശ ചെയ്യുന്ന ഇമേജ് വലുപ്പമുള്ള ഒരു പുതിയ ഇ-കൊമേഴ്സ് പേജിൽ അവ വീണ്ടും ഉപയോഗിക്കാൻ ഉടമ ആഗ്രഹിക്കുന്നു.
പ്രശ്നം: സാധാരണ വലുപ്പം മാറ്റൽ ക്യാമറകളെ മൃദുവായി കാണിക്കുന്നു, അതേസമയം ആക്രമണാത്മക AI അപ്സ്കേലിംഗ് റബ്ബർ ഗ്രിപ്പുകൾ, സീരിയൽ നമ്പറുകൾ, ലെൻസ് മാർക്കിംഗുകൾ എന്നിവ സംശയാസ്പദമായി വ്യാജമായി തോന്നിപ്പിക്കും. വാങ്ങുന്നവർ വാങ്ങുന്നതിനുമുമ്പ് ആ വിശദാംശങ്ങളെ ആശ്രയിക്കുന്നതിനാൽ ഇത് പ്രധാനമാണ്.
നഷ്ടപ്പെട്ട വിവരങ്ങൾ പൂർണ്ണമായി "പുനഃസ്ഥാപിക്കുക" എന്നതല്ല ലക്ഷ്യം. യഥാർത്ഥ ഫയലുകൾ ലഭ്യമായ നിലയിൽ നിലനിർത്തിക്കൊണ്ട് കൂടുതൽ വൃത്തിയുള്ള ലിസ്റ്റിംഗ് ഇമേജുകൾ സൃഷ്ടിക്കുക എന്നതാണ് ഇതിന്റെ ലക്ഷ്യം, കാരണം AI അപ്സ്കെയിലിംഗ് ഉറപ്പായ സത്യത്തേക്കാൾ വിശ്വസനീയമായ വിശദാംശങ്ങൾ പ്രവചിക്കുന്നു.
പ്രവർത്തന പ്രക്രിയയ്ക്ക് എന്താണ് വേണ്ടത്
യഥാർത്ഥ ഉൽപ്പന്ന ഫോട്ടോകൾ, ലഭ്യമായ ഏറ്റവും കുറഞ്ഞ കംപ്രസ്സ് ചെയ്ത പതിപ്പുകൾ
800px മുതൽ 1,600px വരെ വീതിയുള്ള 2× അപ്സ്കെയിൽ പോലുള്ള ഒരു ടാർഗെറ്റ് ഔട്ട്പുട്ട് വലുപ്പം
ഡിനോയിസ്, ഷാർപ്പനിംഗ്, ആർട്ടിഫാക്റ്റ് നീക്കം ചെയ്യൽ എന്നിവയ്ക്കായി പ്രത്യേക നിയന്ത്രണങ്ങളുള്ള ഒരു ഉപകരണം അല്ലെങ്കിൽ മോഡൽ
ടെക്സ്റ്റ്, അരികുകൾ, ലോഗോകൾ, സ്ക്രൂകൾ, ബട്ടണുകൾ, ലെതർ ഗ്രെയിൻ, പ്രതിഫലനങ്ങൾ എന്നിവയ്ക്കായുള്ള ഒരു ലളിതമായ അവലോകന ചെക്ക്ലിസ്റ്റ്
ഒറിജിനലുകൾക്കായി ഒരു ഫോൾഡറും എഡിറ്റ് ചെയ്ത എക്സ്പോർട്ടുകൾക്കായി ഒരു പ്രത്യേക ഫോൾഡറും, അതിനാൽ ഒന്നും ഓവർറൈറ്റ് ചെയ്യപ്പെടുന്നില്ല
ഉദാഹരണ നിർദ്ദേശം
ഒരു AI അപ്സ്കെയിലർ പരീക്ഷിക്കുമ്പോൾ ഇത്തരത്തിലുള്ള നിർദ്ദേശങ്ങൾ ഉപയോഗിക്കുക:
ഒരു ഇ-കൊമേഴ്സ് ലിസ്റ്റിംഗിനായി ഈ ഉൽപ്പന്ന ഫോട്ടോ 2× വർദ്ധിപ്പിക്കുക. ഒബ്ജക്റ്റ് ആകൃതി, ലോഗോ പ്ലേസ്മെന്റ്, ലെൻസ് മാർക്കിംഗുകൾ, ബട്ടൺ അരികുകൾ, ഉപരിതല ഘടന എന്നിവ ഒറിജിനലിനോട് കഴിയുന്നത്ര അടുത്ത് സൂക്ഷിക്കുക. നേരിയ കംപ്രഷൻ ക്ലീൻ-അപ്പ്, കുറഞ്ഞ ഷാർപ്പനിംഗ് എന്നിവ ഉപയോഗിക്കുക, കൂടാതെ അധിക ടെക്സ്റ്റ്, സ്ക്രാച്ചുകൾ, ലേബലുകൾ, സീരിയൽ നമ്പറുകൾ അല്ലെങ്കിൽ അലങ്കാര വിശദാംശങ്ങൾ എന്നിവ കണ്ടെത്തുന്നത് ഒഴിവാക്കുക. അന്തിമ ചിത്രം സാധാരണ ഉൽപ്പന്ന-പേജ് വലുപ്പത്തിൽ സ്വാഭാവികമായി കാണപ്പെടണം, 400% സൂമിൽ കൃത്രിമമായി മൂർച്ചയുള്ളതായി കാണപ്പെടരുത്.
എങ്ങനെ പരീക്ഷിക്കാം
മുഴുവൻ ബാച്ചും പ്രോസസ്സ് ചെയ്യുന്നതിന് മുമ്പ് അഞ്ച് മിക്സഡ് ഇമേജുകൾ ഉപയോഗിച്ച് ആരംഭിക്കുക:
നല്ല വെളിച്ചമുള്ള ഒരു വൃത്തിയുള്ള ഉൽപ്പന്ന ഫോട്ടോ
ബ്ലോക്കിനെസ്സുള്ള ഒരു JPEG-കംപ്രസ് ചെയ്ത ചിത്രം
ചെറിയ പ്രിന്റ് ചെയ്ത വാചകമോ ലെൻസ് അടയാളങ്ങളോ ഉള്ള ഒരു ഫോട്ടോ
നിഴലുകളിൽ ശബ്ദത്തോടെ ഒരു ഇരുണ്ട ചിത്രം
പ്രതിഫലിപ്പിക്കുന്ന ലോഹമോ ഗ്ലാസോ ഉള്ള ഒരു ചിത്രം
അപ്സ്കെയിലിംഗിന് ശേഷം, ഓരോ ഫലവും ഒറിജിനലുമായി 100%, 200% എന്നിങ്ങനെ താരതമ്യം ചെയ്യുക. ബ്രാൻഡ് നാമങ്ങൾ, ഡയലുകൾ, സ്ക്രൂകൾ, പോർട്ടുകൾ, ടെക്സ്ചർ പാറ്റേണുകൾ എന്നിവ ഇപ്പോഴും പൊരുത്തപ്പെടുന്നുണ്ടോയെന്ന് പരിശോധിക്കുക. മോഡൽ "ഏതാണ്ട് അക്ഷരങ്ങൾ" അല്ലെങ്കിൽ വ്യാജ ഉപരിതല മാർക്കുകൾ സൃഷ്ടിക്കുകയാണെങ്കിൽ, ഷാർപ്പനിംഗ് അല്ലെങ്കിൽ ഡീറ്റെയിൽ റിക്കവറി ക്രമീകരണം കുറയ്ക്കുക.
ഫലമായി
ഉദാഹരണ ഫലം: ഈ വർക്ക്ഫ്ലോ ഉപയോഗിക്കുന്നതിന് മുമ്പും ശേഷവുമുള്ള അഞ്ച് ഇമേജ് പരിശോധനയുടെ സമയക്രമീകരണത്തെ അടിസ്ഥാനമാക്കി.
മാനുവൽ ക്ലീൻ-അപ്പും വലുപ്പം മാറ്റലും ഓരോ ചിത്രത്തിനും ഏകദേശം 9 മിനിറ്റ് എടുത്തു, അല്ലെങ്കിൽ അഞ്ച് ചിത്രങ്ങൾക്ക് 45 മിനിറ്റ്.
AI-യുടെ സഹായത്തോടെയുള്ള വർക്ക്ഫ്ലോ ഓരോ ചിത്രത്തിനും ഏകദേശം 3 മിനിറ്റ് എടുത്തു, അല്ലെങ്കിൽ അഞ്ച് ചിത്രങ്ങൾക്ക് 15 മിനിറ്റ് എടുത്തു.
അതായത് അഞ്ച് ചിത്രങ്ങളിൽ ഏകദേശം 30 മിനിറ്റ് ലാഭിക്കാം, അല്ലെങ്കിൽ 40 ചിത്രങ്ങളുള്ള ഒരു ബാച്ചിൽ ഏകദേശം 4 മണിക്കൂർ ലാഭിക്കാം.
ഗുണനിലവാര പരിശോധനാ ഫലം: 5 ചിത്രങ്ങളിൽ 4 എണ്ണം ആദ്യ അവലോകനത്തിൽ വിജയിച്ചു. അപ്സ്കെയിലർ ചെറിയ ലെൻസ് ടെക്സ്റ്റിനെ വളച്ചൊടിച്ചതിനാൽ ഒരു ചിത്രം പരാജയപ്പെട്ടു, അതിനാൽ അത് താഴ്ന്ന ഷാർപ്പനിംഗ് കൂടാതെ ടെക്സ്റ്റ് എൻഹാൻസ്മെന്റ് ഇല്ലാതെ വീണ്ടും പ്രോസസ്സ് ചെയ്തു.
ഇവിടെ വിലപ്പെട്ട മെട്രിക് "കൂടുതൽ വ്യക്തമായി കാണപ്പെടുന്നു" എന്നതല്ല. കണ്ടുപിടിച്ച വിശദാംശങ്ങളില്ലാതെ എത്ര ചിത്രങ്ങൾ വശങ്ങളിലായി അവലോകനം ചെയ്യുന്നു എന്നതാണ്
എന്ത് തെറ്റ് സംഭവിക്കാം?
ഈ മോഡലിന് പൊടി, JPEG ബ്ലോക്കുകൾ, അല്ലെങ്കിൽ പോറലുകൾ എന്നിവ "യഥാർത്ഥ" ടെക്സ്ചറാക്കി മാറ്റാൻ കഴിയും.
സൂം ഇൻ ചെയ്യുന്നതുവരെ ചെറിയ ടെക്സ്റ്റ് വിശ്വസനീയമായി തോന്നുന്ന വ്യാജ ടെക്സ്റ്റായി മാറിയേക്കാം.
അമിതമായ ശബ്ദം നീക്കം ചെയ്യുന്നത് റബ്ബർ, തുകൽ, അല്ലെങ്കിൽ ബ്രഷ് ചെയ്ത ലോഹം എന്നിവയെ മെഴുക് പോലെ തോന്നിപ്പിക്കും.
ശക്തമായ മൂർച്ച കൂട്ടൽ ഉൽപ്പന്നത്തിന്റെ അരികുകൾക്ക് ചുറ്റും ഒരു ഹാലോ സൃഷ്ടിക്കാൻ കാരണമാകും.
ബാച്ച് പ്രോസസ്സിംഗ് തെറ്റുകൾ മറയ്ക്കാൻ സാധ്യതയുണ്ട്, അതിനാൽ എല്ലാം കയറ്റുമതി ചെയ്യുന്നതിന് മുമ്പ് ഒരു സാമ്പിൾ അവലോകനം ചെയ്യുക.
ഇ-കൊമേഴ്സിനെ സംബന്ധിച്ചിടത്തോളം, ഏറ്റവും സുരക്ഷിതമായ നിയമം ലളിതമാണ്: കേടുപാടുകൾ മറയ്ക്കാനോ, അവസ്ഥ മാറ്റാനോ, ഒരു ഉൽപ്പന്നത്തെ നിലവിലുള്ളതിനേക്കാൾ പുതിയതായി കാണാനോ ഒരിക്കലും AI അപ്സ്കേലിംഗ് ഉപയോഗിക്കരുത്.
പ്രായോഗിക ഉപദേശം
ഒരു മാജിക് റിപ്പയർ ബട്ടണായിട്ടല്ല, മറിച്ച് നിയന്ത്രിത ഫിനിഷിംഗ് ഘട്ടമായി കണക്കാക്കുമ്പോഴാണ് AI അപ്സ്കേലിംഗ് ഏറ്റവും നന്നായി പ്രവർത്തിക്കുന്നത്. യാഥാസ്ഥിതിക 2× ക്രമീകരണങ്ങൾ ഉപയോഗിക്കുക, വാങ്ങുന്നവർ ശ്രദ്ധിക്കുന്ന വിശദാംശങ്ങൾ പരിശോധിക്കുക, എഡിറ്റ് ചെയ്ത പതിപ്പ് വിശ്വസനീയമായി നിലനിൽക്കുന്നതിന് യഥാർത്ഥ ചിത്രം നിലനിർത്തുക.
യഥാർത്ഥ ഉദാഹരണം: ഒരു പഴയ പരിശീലന വീഡിയോയെ തിളക്കമുള്ളതാക്കാതെ അത് അപ്സ്കേയിൽ ചെയ്യുന്നത്
രംഗം
ഒരു ചെറിയ പരിശീലന കമ്പനി 2014-ൽ 720p-യിൽ റെക്കോർഡുചെയ്ത 7 മിനിറ്റ് ദൈർഘ്യമുള്ള സുരക്ഷാ പ്രകടന വീഡിയോ പുറത്തിറക്കി. ഉള്ളടക്കത്തിന് ഇപ്പോഴും മൂല്യമുണ്ട്, പക്ഷേ കമ്പനിയുടെ പുതിയ വെബ്സൈറ്റിൽ, പ്രത്യേകിച്ച് വലിയ ലാപ്ടോപ്പ് സ്ക്രീനുകളിൽ, ദൃശ്യങ്ങൾ മൃദുവായി കാണപ്പെടുന്നു.
റീഷൂട്ട് ചെയ്യാതെ തന്നെ കൂടുതൽ വൃത്തിയുള്ള ഒരു 1080p പതിപ്പ് കയറ്റുമതി ചെയ്യാനാണ് ടീം ആഗ്രഹിക്കുന്നത്. ആക്രമണാത്മകമായ AI അപ്സ്കേലിംഗ് മുഖങ്ങളെ മെഴുക് പോലെ തോന്നിപ്പിക്കുകയോ, ചിഹ്നങ്ങളിലെ വാചകം "ഏകദേശം വാക്കുകളാക്കി" മാറ്റുകയോ, ഫ്രെയിമിൽ നിന്ന് ഫ്രെയിമിലേക്ക് മിന്നുന്ന ടെക്സ്ചർ സൃഷ്ടിക്കുകയോ ചെയ്തേക്കാം എന്നതാണ് അപകടസാധ്യത.
വീഡിയോ പുതുമയുള്ളതായി തോന്നിപ്പിക്കുക എന്നതല്ല ലക്ഷ്യം. ഇൻസ്ട്രക്ടറുടെ മുഖം, മുന്നറിയിപ്പ് ലേബലുകൾ, കൈ ചലനങ്ങൾ, ഉപകരണ വിശദാംശങ്ങൾ എന്നിവ ഒറിജിനലിനോട് വിശ്വസ്തത പുലർത്തിക്കൊണ്ട് അത് കൂടുതൽ വ്യക്തവും സ്ഥിരതയുള്ളതും കുറച്ച് ഞെരുക്കമുള്ളതുമാക്കുക എന്നതാണ് ഇതിന്റെ ലക്ഷ്യം.
പ്രവർത്തന പ്രക്രിയയ്ക്ക് എന്താണ് വേണ്ടത്
ഒറിജിനൽ വീഡിയോ ഫയൽ, സാധ്യമെങ്കിൽ കംപ്രസ് ചെയ്ത സോഷ്യൽ മീഡിയ ഡൗൺലോഡ് അല്ല
4K യിലേക്ക് നേരിട്ട് ചാടുന്നതിനുപകരം 720p മുതൽ 1080p വരെ പോലുള്ള ലക്ഷ്യ കയറ്റുമതി വലുപ്പം
ഡിനോയിസ്, ഷാർപ്പനിംഗ്, കംപ്രഷൻ റിപ്പയർ, ടെമ്പറൽ കോൺസിസ്റ്റൻസി ഓപ്ഷനുകൾ ഉള്ള ഒരു വീഡിയോ അപ്സ്കെയിലർ
മുഖങ്ങൾ, ചലനം, വാചകം, വിശദമായ പ്രതലങ്ങൾ എന്നിവ ഉൾക്കൊള്ളുന്ന ഒരു ചെറിയ പരീക്ഷണ ക്ലിപ്പ്
ഫ്ലിക്കർ, ഹാലോസ്, വളഞ്ഞ വാചകം, മുഖഘടന, ചലിക്കുന്ന അരികുകൾ എന്നിവയ്ക്കുള്ള അവലോകന ചെക്ക്ലിസ്റ്റ്
ആവശ്യമെങ്കിൽ താരതമ്യത്തിനും വെളിപ്പെടുത്തലിനും വേണ്ടി യഥാർത്ഥ വീഡിയോയുടെ സംരക്ഷിച്ച ഒരു പകർപ്പ്
ഉദാഹരണ നിർദ്ദേശം
മുഴുവൻ വീഡിയോയും പ്രോസസ്സ് ചെയ്യുന്നതിന് മുമ്പ് ഇത്തരത്തിലുള്ള നിർദ്ദേശങ്ങൾ ഉപയോഗിക്കുക:
ഈ 720p പരിശീലന വീഡിയോ 1080p ആയി ഉയർത്തുക. സ്വാഭാവിക ചലനം, സ്ഥിരതയുള്ള അരികുകൾ, വായിക്കാൻ കഴിയുന്ന നിലവിലുള്ള വാചകം, റിയലിസ്റ്റിക് സ്കിൻ ടെക്സ്ചർ എന്നിവയ്ക്ക് മുൻഗണന നൽകുക. നേരിയ കംപ്രഷൻ റിപ്പയറും കുറഞ്ഞ ഷാർപ്പനിംഗും ഉപയോഗിക്കുക. നഷ്ടപ്പെട്ട വാചകം, ലോഗോകൾ, ലേബലുകൾ, സ്ക്രാച്ചുകൾ, മുഖ വിശദാംശങ്ങൾ അല്ലെങ്കിൽ ഉപകരണ മാർക്കിംഗുകൾ എന്നിവ കണ്ടുപിടിക്കരുത്. ഫ്രെയിം-ടു-ഫ്രെയിം ഷിമ്മർ ഒഴിവാക്കുക. താൽക്കാലികമായി നിർത്തി സൂം ഇൻ ചെയ്യുമ്പോൾ കൃത്രിമമായി മൂർച്ചയുള്ളതല്ല, സാധാരണ കാഴ്ച വലുപ്പത്തിൽ അന്തിമഫലം കൂടുതൽ വ്യക്തമായി കാണപ്പെടും.
എങ്ങനെ പരീക്ഷിക്കാം
7 മിനിറ്റ് ദൈർഘ്യമുള്ള മുഴുവൻ ഫയലും പ്രോസസ്സ് ചെയ്യുന്നതിന് മുമ്പ്, ഇനിപ്പറയുന്നവ ഉൾപ്പെടുന്ന 20 സെക്കൻഡ് സാമ്പിൾ എക്സ്പോർട്ട് ചെയ്യുക:
സംസാരിക്കുമ്പോൾ ഇൻസ്ട്രക്ടറുടെ മുഖം
ഫ്രെയിമിന് കുറുകെ ചലിക്കുന്ന ഒരു കൈ
ഒരു മുന്നറിയിപ്പ് ലേബൽ അല്ലെങ്കിൽ ചെറിയ അച്ചടിച്ച വാചകം
തുണി, കോൺക്രീറ്റ്, ബ്രഷ് ചെയ്ത ലോഹം അല്ലെങ്കിൽ പ്ലാസ്റ്റിക് പോലുള്ള ഒരു ടെക്സ്ചർ ചെയ്ത പ്രതലം
ഒരു ക്യാമറ പാൻ അല്ലെങ്കിൽ ഏതെങ്കിലും കുലുങ്ങുന്ന ചലനം
സാമ്പിൾ രണ്ടുതവണ കാണുക: ഒരിക്കൽ സാധാരണ വേഗതയിലും ഒരിക്കൽ ഫ്രെയിം ബൈ ഫ്രെയിം താൽക്കാലികമായി നിർത്തിയതിനുശേഷവും. സാധാരണ വേഗതയിൽ, ഫ്ലിക്കർ, ക്രാൾ ചെയ്യുന്ന ടെക്സ്ചർ അല്ലെങ്കിൽ അരികുകൾക്ക് ചുറ്റുമുള്ള അസ്വാഭാവിക ചലനം എന്നിവയ്ക്കായി നോക്കുക. താൽക്കാലികമായി നിർത്തിയിരിക്കുമ്പോൾ, ടെക്സ്റ്റ്, ബട്ടണുകൾ, ഉപകരണങ്ങൾ, മുഖ സവിശേഷതകൾ എന്നിവ ഇപ്പോഴും പൊരുത്തപ്പെടുന്നുണ്ടോ എന്ന് പരിശോധിക്കാൻ യഥാർത്ഥ, അപ്സ്കെയിൽ ചെയ്ത പതിപ്പുകൾ താരതമ്യം ചെയ്യുക.
ഫലമായി
ഉദാഹരണ ഫലം: ഒരു 20 സെക്കൻഡ് ദൈർഘ്യമുള്ള ടെസ്റ്റ് ക്ലിപ്പ് സമയക്രമീകരിച്ച്, അതേ ക്രമീകരണങ്ങൾ 7 മിനിറ്റ് ദൈർഘ്യമുള്ള വീഡിയോയിൽ പ്രയോഗിച്ചതിനെ അടിസ്ഥാനമാക്കി.
ഒരു മാനുവൽ "വലുപ്പം മാറ്റുകയും മൂർച്ച കൂട്ടുകയും ചെയ്യുക" എന്ന വർക്ക്ഫ്ലോയ്ക്ക് കയറ്റുമതിയും അവലോകനവും ഉൾപ്പെടെ ഏകദേശം 35 മിനിറ്റ് എടുത്തു, പക്ഷേ ഫലം ഇൻസ്ട്രക്ടറുടെ മുടിയിൽ ദൃശ്യമായ തിളക്കവും സുരക്ഷാ ചിഹ്നങ്ങൾക്ക് ചുറ്റുമുള്ള വലയവും കാണിച്ചു.
ടെസ്റ്റ് എക്സ്പോർട്ടുകൾ ഉൾപ്പെടെ AI- സഹായത്തോടെയുള്ള വർക്ക്ഫ്ലോ ഏകദേശം 55 മിനിറ്റ് എടുത്തു, എന്നാൽ ആദ്യ എക്സ്പോർട്ടിലെ 8 ദൃശ്യമായ പ്രശ്നങ്ങളിൽ നിന്ന് അന്തിമ എക്സ്പോർട്ടിലെ 2 ചെറിയ പ്രശ്നങ്ങളായി അവലോകന പ്രശ്നങ്ങൾ കുറച്ചു.
അവലോകന ചെക്ക്ലിസ്റ്റിൽ 12 പരിശോധനകളിൽ 10 എണ്ണത്തിലും അന്തിമ പതിപ്പ് വിജയിച്ചു. പശ്ചാത്തല വാചകത്തിലെ നേരിയ മൃദുത്വവും ഒരു ഇരുണ്ട മൂലയിൽ നേരിയ ശബ്ദവുമായിരുന്നു ശേഷിക്കുന്ന രണ്ട് പ്രശ്നങ്ങൾ. ഇൻസ്ട്രക്ടർ, ഉപകരണങ്ങൾ, സുരക്ഷാ നടപടികൾ എന്നിവ ദൃശ്യപരമായി സ്ഥിരത പുലർത്തിയതിനാൽ രണ്ടും അംഗീകരിക്കപ്പെട്ടു.
ഇവിടെ അർത്ഥവത്തായ മെട്രിക് "1080p നേടിയെടുത്തു" എന്നല്ല. അതായത്: സാധാരണ പ്ലേബാക്ക് സമയത്ത് വീഡിയോയുടെ എത്ര സെക്കൻഡിൽ ശ്രദ്ധ തിരിക്കുന്ന കലാസൃഷ്ടികൾ കാണിക്കുന്നു?
എന്ത് തെറ്റ് സംഭവിക്കാം?
ഈ മോഡൽ കംപ്രഷൻ ബ്ലോക്കുകൾക്ക് മൂർച്ച കൂട്ടുകയും അവയെ യഥാർത്ഥ ടെക്സ്ചർ പോലെ തോന്നിപ്പിക്കുകയും ചെയ്തേക്കാം.
നല്ല വാചകം കൂടുതൽ ആത്മവിശ്വാസമുള്ളതായി തോന്നുമെങ്കിലും കൃത്യത കുറഞ്ഞതായി മാറും.
ഡിനോയിസ് വളരെ കൂടുതലാണെങ്കിൽ മുഖങ്ങൾ വളരെ മിനുസമാർന്നതായിത്തീരും.
ഉപകരണം ഓരോ ഫ്രെയിമിനെയും സ്വതന്ത്രമായി കൈകാര്യം ചെയ്താൽ ചലിക്കുന്ന അരികുകൾ തിളങ്ങും.
ഒരു 4K എക്സ്പോർട്ട് നിയന്ത്രിത 1080p എക്സ്പോർട്ടിനേക്കാൾ മോശമായി കാണപ്പെടാം, കാരണം മോഡലിന് വളരെയധികം വിശദാംശങ്ങൾ കണ്ടെത്തേണ്ടതുണ്ട്.
ഏറ്റവും വലിയ തെറ്റ് താൽക്കാലികമായി നിർത്തിയ ഫ്രെയിമിനെ മാത്രം വിലയിരുത്തുക എന്നതാണ്. വീഡിയോ അപ്സ്കെയിലിംഗ് ഒരു നിശ്ചല ചിത്രം പോലെ മതിപ്പുളവാക്കുന്ന രീതിയിൽ മാത്രമല്ല, ചലനത്തിലും സ്വാഭാവികമായി കാണപ്പെടണം.
പ്രായോഗിക ഉപദേശം
വീഡിയോയ്ക്ക്, ആദ്യം ഒരു ചെറിയ ഭാഗം പരീക്ഷിക്കുകയും, അപ്സ്കെയിൽ മിതത്വം പാലിക്കുകയും, മൂർച്ചയ്ക്ക് മുമ്പ് ചലനം വിലയിരുത്തുകയും ചെയ്യുമ്പോൾ AI അപ്സ്കെയിലിംഗ് മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നു. ആരെങ്കിലും ഓരോ തവണ ചലിക്കുമ്പോഴും മിന്നിമറയുന്ന ഒരു ക്രിസ്പ് പതിപ്പിനേക്കാൾ അൽപ്പം മൃദുവായതും എന്നാൽ സ്ഥിരതയുള്ളതുമായ ഫലം സാധാരണയായി മികച്ചതാണ്.
പതിവുചോദ്യങ്ങൾ
AI അപ്സ്കേലിംഗും അത് എങ്ങനെ പ്രവർത്തിക്കുന്നു
പരിശീലനത്തിനിടെ പഠിച്ച പാറ്റേണുകളിൽ നിന്ന് നഷ്ടപ്പെട്ട ഉയർന്ന റെസല്യൂഷൻ വിശദാംശങ്ങൾ പ്രവചിച്ചുകൊണ്ട് AI അപ്സ്കേലിംഗ് (പലപ്പോഴും "സൂപ്പർ-റെസല്യൂഷൻ" എന്ന് വിളിക്കുന്നു) ഒരു ചിത്രത്തിന്റെ റെസല്യൂഷൻ വർദ്ധിപ്പിക്കുന്നു. ബിക്യൂബിക് ഇന്റർപോളേഷൻ പോലെ പിക്സലുകൾ വലിച്ചുനീട്ടുന്നതിനുപകരം, ഒരു മോഡൽ അരികുകൾ, ടെക്സ്ചറുകൾ, മുഖങ്ങൾ, ടെക്സ്റ്റ് പോലുള്ള സ്ട്രോക്കുകൾ എന്നിവ പഠിക്കുകയും, ആ പഠിച്ച പാറ്റേണുകളുമായി യോജിക്കുന്ന പുതിയ പിക്സൽ ഡാറ്റ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു. ഇത് "യാഥാർത്ഥ്യം പുനഃസ്ഥാപിക്കുക" എന്നതിനേക്കാൾ "സ്വാഭാവികമായി തോന്നുന്ന ഒരു വിശ്വസനീയമായ ഊഹം ഉണ്ടാക്കുക" എന്നതാണ്.
ബിക്യൂബിക് അല്ലെങ്കിൽ പരമ്പരാഗത വലുപ്പം മാറ്റലുമായി താരതമ്യം ചെയ്യുമ്പോൾ AI അപ്സ്കെയിലിംഗ്
പരമ്പരാഗത അപ്സ്കേലിംഗ് രീതികൾ (ബൈക്യൂബിക് പോലുള്ളവ) പ്രധാനമായും നിലവിലുള്ള പിക്സലുകൾക്കിടയിൽ ഇന്റർപോളേറ്റ് ചെയ്യുന്നു, യഥാർത്ഥ പുതിയ വിശദാംശങ്ങൾ സൃഷ്ടിക്കാതെ സംക്രമണങ്ങൾ സുഗമമാക്കുന്നു. ദൃശ്യ സൂചനകൾ തിരിച്ചറിഞ്ഞ് ആ സൂചനകളുടെ ഉയർന്ന റെസല്യൂഷൻ പതിപ്പുകൾ എങ്ങനെയായിരിക്കുമെന്ന് പ്രവചിച്ചുകൊണ്ട് വിശ്വസനീയമായ ഘടന പുനർനിർമ്മിക്കുക എന്നതാണ് AI അപ്സ്കേലിംഗ് ലക്ഷ്യമിടുന്നത്. അതുകൊണ്ടാണ് AI ഫലങ്ങൾ നാടകീയമായി കൂടുതൽ മൂർച്ചയുള്ളതായി തോന്നുന്നത്, കൂടാതെ ഉറവിടത്തിൽ ഇല്ലാത്ത ആർട്ടിഫാക്റ്റുകൾ അവതരിപ്പിക്കാനോ "കണ്ടുപിടിക്കാനോ" അവയ്ക്ക് കഴിയുന്നത്.
മുഖങ്ങൾ മെഴുകു പോലെയോ അമിതമായി മിനുസമാർന്നതോ ആയി കാണപ്പെടുന്നത് എന്തുകൊണ്ട്?
വാക്സി ഫേസുകൾ സാധാരണയായി ആക്രമണാത്മകമായ ഡിനോയിസിംഗ്, സ്മൂത്തിംഗ് എന്നിവയുമായി ചേർന്ന് ചർമ്മത്തിന്റെ സ്വാഭാവിക ഘടന നീക്കം ചെയ്യുന്ന ഷാർപ്പനിംഗ് എന്നിവയിലൂടെയാണ് ഉണ്ടാകുന്നത്. പല ഉപകരണങ്ങളും ശബ്ദത്തെയും സൂക്ഷ്മമായ ടെക്സ്ചറിനെയും സമാനമായി കൈകാര്യം ചെയ്യുന്നു, അതിനാൽ ഒരു ഇമേജ് "ക്ലീൻ" ചെയ്യുന്നത് സുഷിരങ്ങളും സൂക്ഷ്മമായ വിശദാംശങ്ങളും മായ്ക്കും. ഡിനോയിസും ഷാർപ്പനിംഗും കുറയ്ക്കുക, ലഭ്യമെങ്കിൽ മുഖം സംരക്ഷിക്കുന്ന മോഡ് ഉപയോഗിക്കുക, തുടർന്ന് കുറച്ച് ഗ്രെയിൻ വീണ്ടും അവതരിപ്പിക്കുക എന്നതാണ് ഒരു സാധാരണ സമീപനം. അങ്ങനെ ഫലം കുറഞ്ഞ പ്ലാസ്റ്റിക്കും കൂടുതൽ ഫോട്ടോഗ്രാഫിക് ആയി തോന്നുകയും ചെയ്യും.
ശ്രദ്ധിക്കേണ്ട സാധാരണ AI അപ്സ്കേലിംഗ് ആർട്ടിഫാക്റ്റുകൾ
സാധാരണ ടെല്ലുകളിൽ അരികുകൾക്ക് ചുറ്റുമുള്ള ഹാലോകൾ, ആവർത്തിച്ചുള്ള ടെക്സ്ചർ പാറ്റേണുകൾ (കോപ്പി-പേസ്റ്റ് ബ്രിക്ക്സ് പോലുള്ളവ), ക്രഞ്ചി മൈക്രോ-കോൺട്രാസ്റ്റ്, "ഏകദേശം അക്ഷരങ്ങൾ" ആയി മാറുന്ന വാചകം എന്നിവ ഉൾപ്പെടുന്നു. ഡിഫ്യൂഷൻ അടിസ്ഥാനമാക്കിയുള്ള വർക്ക്ഫ്ലോകളിൽ, ചെറിയ സവിശേഷതകൾ സൂക്ഷ്മമായി മാറുന്ന ഡീറ്റെയിൽ ഡ്രിഫ്റ്റും നിങ്ങൾക്ക് കാണാൻ കഴിയും. വീഡിയോയ്ക്ക്, ഫ്രെയിമുകളിലുടനീളം ഫ്ലിക്കറും ക്രോൾ ചെയ്യുന്ന വിശദാംശങ്ങളും വലിയ റെഡ് ഫ്ലാഗുകളാണ്. എക്സ്ട്രീം സൂമിൽ മാത്രം അത് നന്നായി കാണപ്പെടുന്നുണ്ടെങ്കിൽ, ക്രമീകരണങ്ങൾ ഒരുപക്ഷേ വളരെ ആക്രമണാത്മകമായിരിക്കും.
GAN, CNN, ഡിഫ്യൂഷൻ അപ്സ്കെയിലറുകൾ എന്നിവ ഫലങ്ങളിൽ എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു
CNN-അധിഷ്ഠിത സൂപ്പർ-റെസല്യൂഷൻ കൂടുതൽ സ്ഥിരതയുള്ളതും കൂടുതൽ പ്രവചനാതീതവുമാണ്, പക്ഷേ കഠിനമായി ശ്രമിച്ചാൽ അത് "പ്രോസസ് ചെയ്തതായി" കാണപ്പെടും. GAN-അധിഷ്ഠിത ഓപ്ഷനുകൾ (ESRGAN-സ്റ്റൈൽ) പലപ്പോഴും കൂടുതൽ പഞ്ച് ടെക്സ്ചറും ദൃശ്യമാകുന്ന ഷാർപ്നെസ്സും സൃഷ്ടിക്കുന്നു, പക്ഷേ അവ തെറ്റായ വിശദാംശങ്ങൾ ഭ്രമാത്മകമാക്കും, പ്രത്യേകിച്ച് മുഖങ്ങളിൽ. ഡിഫ്യൂഷൻ-അധിഷ്ഠിത അപ്സ്കെയിലിംഗിന് മനോഹരവും വിശ്വസനീയവുമായ വിശദാംശങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയും, എന്നിരുന്നാലും ഗൈഡൻസ് അല്ലെങ്കിൽ ശക്തി ക്രമീകരണങ്ങൾ വളരെ ശക്തമാണെങ്കിൽ അത് യഥാർത്ഥ ഘടനയിൽ നിന്ന് വ്യതിചലിച്ചേക്കാം.
"വളരെ AI" ലുക്ക് ഒഴിവാക്കുന്നതിനുള്ള ഒരു പ്രായോഗിക ക്രമീകരണ തന്ത്രം
യാഥാസ്ഥിതികമായി ആരംഭിക്കുക: അങ്ങേയറ്റത്തെ ഘടകങ്ങൾക്കായി എത്തുന്നതിനുമുമ്പ് 2× അല്ലെങ്കിൽ 4× അപ്സ്കെയിൽ ചെയ്യുക. മുഖങ്ങൾ പ്ലാസ്റ്റിക്കി ആയി കാണപ്പെടുന്നുവെങ്കിൽ, ഡിനോയിസും ഷാർപ്പനിംഗും ഡയൽ ചെയ്ത് ഫേസ്-അവേർ മോഡ് പരീക്ഷിക്കുക. ടെക്സ്ചറുകൾ വളരെ തീവ്രമാണെങ്കിൽ, വിശദാംശങ്ങൾ കുറയ്ക്കുക, തുടർന്ന് സൂക്ഷ്മമായ ധാന്യം ചേർക്കുന്നത് പരിഗണിക്കുക. അരികുകൾ തിളങ്ങുന്നുണ്ടെങ്കിൽ, ഷാർപ്പനിംഗ് കുറയ്ക്കുക, ഹാലോ അല്ലെങ്കിൽ ആർട്ടിഫാക്റ്റ് സപ്രഷൻ പരിശോധിക്കുക. പല പൈപ്പ്ലൈനുകളിലും, വിശ്വസനീയമായ യാഥാർത്ഥ്യം നിലനിർത്തുന്നതിനാൽ "കുറവ്" വിജയിക്കുന്നു.
അപ്സ്കെയിലിംഗ് നടത്തുന്നതിന് മുമ്പ് പഴയ സ്കാനുകൾ അല്ലെങ്കിൽ JPEG- കംപ്രസ് ചെയ്ത ചിത്രങ്ങൾ കൈകാര്യം ചെയ്യുക
കംപ്രസ് ചെയ്ത ചിത്രങ്ങൾ വളരെ ബുദ്ധിമുട്ടാണ്, കാരണം മോഡലുകൾക്ക് ബ്ലോക്ക് ആർട്ടിഫാക്റ്റുകളെ യഥാർത്ഥ ടെക്സ്ചറായി കണക്കാക്കാനും അവയെ ആംപ്ലിഫൈ ചെയ്യാനും കഴിയും. ഒരു സാധാരണ വർക്ക്ഫ്ലോ, ആദ്യം ആർട്ടിഫാക്റ്റ് നീക്കം ചെയ്യുകയോ ഡീബ്ലോക്ക് ചെയ്യുകയോ ചെയ്യുക, പിന്നീട് അപ്സ്കെയിലിംഗ് ചെയ്യുക, തുടർന്ന് ആവശ്യമെങ്കിൽ മാത്രം ലൈറ്റ് ഷാർപ്പനിംഗ് ചെയ്യുക എന്നതാണ്. സ്കാനുകൾക്ക്, മൃദുവായ ക്ലീനപ്പ് മോഡലിനെ കേടുപാടുകളേക്കാൾ യഥാർത്ഥ ഘടനയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ സഹായിക്കും. "വ്യാജ ടെക്സ്ചർ സൂചനകൾ" കുറയ്ക്കുക എന്നതാണ് ലക്ഷ്യം, അതിനാൽ അപ്സ്കെയിലർ ശബ്ദായമാനമായ ഇൻപുട്ടുകളിൽ നിന്ന് ആത്മവിശ്വാസത്തോടെ ഊഹങ്ങൾ നടത്താൻ നിർബന്ധിതനാകില്ല.
വീഡിയോ അപ്സ്കെയിലിംഗ് ഫോട്ടോ അപ്സ്കെയിലിംഗിനെക്കാൾ ബുദ്ധിമുട്ടായിരിക്കുന്നത് എന്തുകൊണ്ട്?
വീഡിയോ അപ്സ്കെയിലിംഗ് ഒരു സ്റ്റിൽ ഇമേജിൽ മാത്രമല്ല, ഫ്രെയിമുകളിലുടനീളം സ്ഥിരത പുലർത്തണം. വിശദാംശങ്ങൾ ഫ്രെയിം-ടു-ഫ്രെയിമിലേക്ക് മിന്നിമറഞ്ഞാൽ, ഫലം വേഗത്തിൽ ശ്രദ്ധ തിരിക്കുന്നതായി മാറുന്നു. പുനർനിർമ്മാണം സ്ഥിരപ്പെടുത്തുന്നതിനും മിന്നുന്ന ആർട്ടിഫാക്റ്റുകൾ ഒഴിവാക്കുന്നതിനും വീഡിയോ-കേന്ദ്രീകൃത സമീപനങ്ങൾ അയൽ ഫ്രെയിമുകളിൽ നിന്നുള്ള താൽക്കാലിക വിവരങ്ങൾ ഉപയോഗിക്കുന്നു. പല വർക്ക്ഫ്ലോകളിലും ഡിനോയിസ്, ചില ഉറവിടങ്ങൾക്കായുള്ള ഡീഇന്റർലേസിംഗ്, ഓപ്ഷണൽ ഗ്രെയിൻ റീഇൻട്രൊഡക്ഷൻ എന്നിവ ഉൾപ്പെടുന്നു, അതിനാൽ മുഴുവൻ ശ്രേണിയും കൃത്രിമമായി മൂർച്ചയുള്ളതല്ല, മറിച്ച് ഏകീകൃതമായി തോന്നുന്നു.
AI അപ്സ്കേലിംഗ് ഉചിതമല്ലാത്തപ്പോൾ അല്ലെങ്കിൽ ആശ്രയിക്കുന്നത് അപകടകരമാകുമ്പോൾ
AI അപ്സ്കേലിംഗിനെ തെളിവായിട്ടല്ല, മറിച്ച് മെച്ചപ്പെടുത്തലായിട്ടായിരിക്കും കാണുന്നത്. പത്രപ്രവർത്തനം, നിയമപരമായ തെളിവുകൾ, മെഡിക്കൽ ഇമേജിംഗ് അല്ലെങ്കിൽ ഫോറൻസിക് ജോലികൾ പോലുള്ള ഉയർന്ന സാധ്യതയുള്ള സന്ദർഭങ്ങളിൽ, "വിശ്വസനീയമായ" പിക്സലുകൾ സൃഷ്ടിക്കുന്നത് തെറ്റിദ്ധരിപ്പിക്കാം, കാരണം അത് പകർത്തിയിട്ടില്ലാത്ത വിശദാംശങ്ങൾ ചേർത്തേക്കാം. കൂടുതൽ സുരക്ഷിതമായ ഫ്രെയിമിംഗ് എന്നത് അത് ചിത്രീകരണാത്മകമായി ഉപയോഗിക്കുകയും ഒരു AI പ്രക്രിയ പുനർനിർമ്മിച്ച വിശദാംശങ്ങൾ വെളിപ്പെടുത്തുകയും ചെയ്യുക എന്നതാണ്. വിശ്വസ്തത നിർണായകമാണെങ്കിൽ, ഒറിജിനലുകൾ സംരക്ഷിക്കുകയും ഓരോ പ്രോസസ്സിംഗ് ഘട്ടവും ക്രമീകരണവും രേഖപ്പെടുത്തുകയും ചെയ്യുക.
അവലംബം
-
arXiv - ഇമേജ് സൂപ്പർ-റെസല്യൂഷനുള്ള ആഴത്തിലുള്ള പഠനം: ഒരു സർവേ - arxiv.org
-
arXiv - ഇമേജ് സൂപ്പർ-റെസല്യൂഷൻ യൂസിംഗ് ഡീപ് കൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ (SRCNN) - arxiv.org
-
ആർക്സിവ് - റിയൽ-എസ്ആർഗൻ - arxiv.org
-
ആർക്സിവ് - എസ്ആർഗൻ - arxiv.org
-
ആർക്സിവ് - SR3 - arxiv.org
-
എൻവിഡിയ ഡെവലപ്പർ - എൻവിഡിയ ഡിഎൽഎസ്എസ് - developer.nvidia.com
-
AMD GPUOpen - FidelityFX സൂപ്പർ റെസല്യൂഷൻ 2 - gpuopen.com
-
കമ്പ്യൂട്ടർ വിഷൻ ഫൗണ്ടേഷൻ (CVF) ഓപ്പൺ ആക്സസ് - ബേസിക്വിഎസ്ആർ: വീഡിയോ സൂപ്പർ-റെസല്യൂഷനിലെ അവശ്യ ഘടകങ്ങൾക്കായുള്ള തിരയൽ (CVPR 2021) - openaccess.thecvf.com
-
arXiv - ജനറേറ്റീവ് അഡ്വർസേറിയൽ നെറ്റ്വർക്കുകൾ - arxiv.org
-
ആർക്സിവ് - എസ്ആർജിഎഎൻ - arxiv.org
-
arXiv - പെർസെപ്ച്വൽ ലോസസ് (ജോൺസൺ തുടങ്ങിയവർ, 2016) - arxiv.org
-
GitHub - Real-ESRGAN റിപ്പോ (ടൈൽ ഓപ്ഷനുകൾ) - github.com
-
വിക്കിപീഡിയ - ബിക്യൂബിക് ഇന്റർപോളേഷൻ - wikipedia.org
-
ടോപസ് ലാബ്സ് - ടോപസ് ഫോട്ടോ - topazlabs.com
-
ടോപസ് ലാബ്സ് - ടോപസ് വീഡിയോ - topazlabs.com
-
അഡോബ് സഹായ കേന്ദ്രം - അഡോബ് എൻഹാൻസ് > സൂപ്പർ റെസല്യൂഷൻ - helpx.adobe.com
-
NIST / OSAC - ഫോറൻസിക് ഡിജിറ്റൽ ഇമേജ് മാനേജ്മെന്റിനുള്ള സ്റ്റാൻഡേർഡ് ഗൈഡ് (പതിപ്പ് 1.0) - nist.gov
-
SWGDE - ഫോറൻസിക് ഇമേജ് വിശകലനത്തിനുള്ള മാർഗ്ഗനിർദ്ദേശങ്ങൾ - swgde.org