17
Календарь конференций
  • 8 – 14 сентября

    Теория особенностей и её приложения к дифференциальным уравнениям и дифференциальной геометрии

  • 13 – 15 сентября

    III всероссийская молодежная школа-конференция с международным участием «Молекулярные механизмы регуляции физиологических функций»

  • 17 сентября – 10 декабря

    Серия образовательных мероприятий компании Elsevier по подготовке научных публикаций на английском языке в высокорейтинговых журналах для сотрудников МГУ

  • 8 октября

    Пленарное заседание Седьмого Международного семинара «Беспозвоночные в коллекциях зоопарков и инсектариев»

  • 23 – 25 октября

    Международная научно-практическая конференция «Предвузовская подготовка иностранных граждан в РФ: история и современность»

  • 23 октября

    Третья ежегодная научная конференция консорциума журналов экономического факультета МГУ

  • 21 – 22 ноября

    Международная научная конференция Хачатуровские чтения - 2019 «Устойчивое развитие и новые модели экономики"

  • 29 ноября

    Кристаллохимия в пространстве и времени: научные чтения, посвященные 70-летию кафедры кристаллографии и кристаллохимии геологического факультета МГУ

  • 4 – 7 декабря

    XLV Международная конференция Общества по изучению культуры США "Иммиграция и американская культура - Immigration and American Culture"

  • 17 сентября – 10 декабря

    Серия образовательных мероприятий компании Elsevier по подготовке научных публикаций на английском языке в высокорейтинговых журналах для сотрудников МГУ

  • 27 января – 1 февраля

    Восьмая школа-конференция «Алгебры Ли, алгебраические группы и теория инвариантов»

  • 27 января – 1 февраля

    Восьмая школа-конференция «Алгебры Ли, алгебраические группы и теория инвариантов»

Все конференции
Единая поисковая система по зарубежным базам данных
Проект «Вернадский»
Конкурсы на замещение должностей научных и педагогических работников
«Университет без границ»
Программы дополни-
тельного образования
Гранты Президента РФ
Олимпиады школьников и универсиады в МГУ
21/10/18

Восстановленные людьми изображения точнее сделанных нейросетями

Исходный набор изображений для ретуши
Исходный набор изображений для ретуши

Сотрудники факультета вычислительной математики и кибернетики МГУ сравнили успехи профессиональных художников и компьютерных алгоритмов в восстановлении испорченных изображений. Оказалось, что художники с этой задачей справляются гораздо лучше искусственного интеллекта. Результаты эксперимента помогут в развитии программ для редактирования фото и видео. Тест проводился в рамках большого проекта разработки алгоритмов обработки видео.

Image inpainting — процесс восстановления недостающей части изображения, то есть заполнение областей изображения, содержимое которых неизвестно. При восстановлении важно «дорисовать» фотографию так, чтобы не было заметно отреставрированной части. Метод image inpainting часто используется при удалении лишних объектов с изображения или при восстановлении старых фотоснимков.

Дмитрий Ватолин, старший научный сотрудник лаборатории компьютерной графики и мультимедиа факультета вычислительной математики и кибернетики МГУ, пояснил: «Существует масса случаев, когда объект нужно удалить на картинке. Самые известный случай — это ретуширование. Пример современной модной темы — "Селфи без чудаков" — когда делаешь селфи, кто-то обязательно норовит хотя бы в край кадра попасть. Текущее развитие алгоритмов скоро приведет к тому, что такие фото можно будет неплохо ретушировать полностью автоматически даже при достаточно сложном фоне».

Изображения, восстановленные художником (слева), классическим алгоритмом (в центре) и искусственным интеллектом (справа)
Ранее image inpainting требовал больших временных и физических затрат. Обновлением и реставрацией изображений занимались художники вручную. Однако сейчас существуют разные автоматические методы рисования.

Учёные МГУ получили результаты реконструкции изображений девяти технологичных методов рисования и трех профессиональных художников. Были взяты несколько изображений разной сложности в зависимости от количества деталей на фотографии. В центре каждого изображения был нарисован черный квадрат, который и предстояло зарисовать искусственному интеллекту и художникам. Люди и машины должны были восстановить первоначальный вид искаженного изображения. В эксперименте были использованы шесть методов рисования на основе нейросетей и три метода, разработанные еще до глобального тренда на искусственный интеллект.

Изображения, отретушированные нейросетевыми методами и классическими, сравнили между собой и с изображениями, отретушированными художниками. Для сравнения использовалась платформа Subjectify.us, на которой 215 человек выбирали, кто справился с ретушированием изображения лучше, — нейросеть, классический метод или человек. Пользователи платформы не знали автора ретуши и не видели до этого оригинальных изображений.

Оказалось, что способности художников превзошли результаты машинного интеллекта с большим отрывом. Лишь в одном случае реставрация алгоритма превзошла работу человека. Интересно, что изображения художников оказались на одном уровне с оригинальными фотографиями, а иногда выглядели даже лучше.

Первое место среди автоматических подходов досталось нейросетевому методу Generative Image Inpainting. Но в некоторых случаях классические методы превзошли результаты нейросетевых. Так, нейросетевой метод Generative Image Inpainting, который был предложен в 2018 году, восстановил фотографию морских волн хуже, чем классический метод Exemplar-Based Image Inpainting, предложенный 14 лет назад.

Михаил Ерофеев, младший научный сотрудник лаборатории компьютерной графики и мультимедиа факультета ВМК МГУ, где проводили эксперимент, объяснил итоги исследования: «В результате можно говорить, что в большинстве случаев люди справляются с восстановлением изображений лучше, чем автоматические методы, — восстание машин пока не предвидится. Классические подходы составляют достойную конкуренцию новейшим нейросетевым методам. Например, нейросетевой метод Generative Image Inpainting хоть и занял первое место среди автоматических методов в среднем, на отдельных изображениях уступил первенство другим подходам, включая классические. Следом за ним идет не нейросетевой метод Content-Aware Fill из Adobe Photoshop CS5, разработанный в 2010 году, задолго до начала повсеместного применения нейронных сетей».

Источник фото: towardsdatascience.com/image-inpainting-humans-vs-ai-48fc4bca7ecc