击上方蓝字CG世界关注我们
“ 感知CG · 感触创意 · 感受艺术 · 感悟心灵 ”
中国很有影响力影视特效CG动画领域自媒体
我们之前好像介绍过将低分辨率视频利用AI处理后变成高分辨率技术的文章，依稀记得是去年时候。但那个只是让分辨率提高，而物体的细节其实还是相对粗糙的。今天介绍这个新技术是让模糊的，变清晰，把视频中物体细节也能补回来的技术，听起来是不是很厉害？一起来看看厉害在哪里。
这是一篇论文，论文名字叫《Learning Temporal Coherence via Self-Supervision for GAN-based Video Generation 》翻译过来大致意思是《基于自我监督学习时间相干性的GAN视频生成》简称“TecoGAN”。看着很复杂的样子，其实它的作用描述起来很简单，就是将输入的一个劣质视频，通过这个技术分析它，然后输出一个高分辨率的清晰视频。
别说视频哈，就是对于一幅静止图像来说这也是是一个非常难问题。之前在AI技术不如今天这样发达的时候，基本是通过手工制作的技术来处理的，这种局限性可想而知了。本来画面都看不清，你手动制作技术如何修复的更好呢？还有就是效率问题等等吧。
那有了今天这个TecoGAN正好就都解决了。除了图片，这种技术而且还可以很好地处理视频。
那么这个算法是如何实现的呢？打个比方哈，当我们看见一个模糊的角色眼睛时，眼睛反射的物体可能有绿色的，蓝色组成。把这个描述说给一个人，那么立马会理解这个描述说的是另一个人的眼睛，大致就知道了在现实中应该是什么样子。但是对于电脑呢？如果我们有一个学习算法，也可以以这样的思维方式思考和观察同一个视频的粗略和精细版，学习后，你给它个模糊的视频时，就会给你创建一个超高分辨率且细节到位的视频呢，这就是TecoGAN技术发生的过程，明白了么？
看下面这个动图，其中给它提供很少的视频画面信息，而它能够为其添加大量的细节。
当然了，研究超高分辨率这个领域技术的大有人在。那么和这个TecoGAN相比好在哪里呢？我们拿其他技术和这个技术实现的效果来对比下就知道了。
下面这张图是用来测试的一张模糊图片。
下面这张是原高清图，这里把它作为基准参考，然后我们把这张图藏起来，分别使用不同的技术进行解析处理。
这里我们对比下，结果很明显，TecoGAN完胜！以前的方法很难解决区域的细节问题，而TecoGAN却能很好的还原，几乎与参考一样。
好多细节全部都添加进去了，真的很强啊
其实，generativecontainarial networks，GANs（生成对抗性网络）在学习复杂分布（如自然图像）方面取得了极大的成功。然而，对于序列生成，由于时间变化所带来的困难，直接应用没有精心设计约束的GANs通常会随着时间的推移而产生强烈的伪影。特别是，条件视频生成任务是一个非常具有挑战性的学习问题，其中生成器不仅要学习表示目标域的数据分布，而且还要学习将输出分布随时间的变化与条件输入相关联。它们的中心目标是忠实地再现目标域的时间动态，而不是求助于琐碎的解决方案。
针对这种状况几位研究人员提出了一种新的对抗性学习方法，用于监督空间内容和时间关系的循环训练方法。将这种方法应用于两个视频相关的任务，它们提供了本质上不同的挑战：视频超分辨率（VSR）和未成对视频翻译（UVT）。在没有真实标准运动的情况下，时空对抗损失和递归结构使模型能够产生真实的结果，同时保持生成的结构随时间保持一致。
以上这个论述是摘自论文中的，比较学术，不懂也没关系。前面我描述的懂了，就可以了。
每次论文解析，大家都会异口同声的说，只是论文又不能用。哎？话不要说的太死！今天这个就可以操作玩一下。但是这里我就不讲过程了，大家自己去试试吧。
https://github.com/thunil/TecoGAN
这个链接里有源代码，和使用过程，就是需要懂编程的能快点看懂。此外硬件要求必须具有CUDA的Nvidia GPU才可以，Emmm只能帮到这里了，其他大家伙自己玩吧。
论文作者：Mengyu Chu、You Xie、Laura Leal-Taixe、Nils Thuerey。
论文地址：https://arxiv.org/pdf/1811.09393.pdf
参考视频：https://www.youtube.com/watch?v=MwCgvYtOLS0
原创文章，作者：CG世界，如若转载，请注明出处：https://www.cgworld.wiki/35420.html
评论列表（2条）
这大胆的想法非常大胆
我朋友有个大胆的想法