Kunstig intelligens kan nu designe realistiske video- og spilbilleder

Hvis du lukker øjnene og forestiller dig en murstensvæg, kan du sikkert komme med et ret godt mentalt billede. Efter at have set mange sådanne vægge, ved din hjerne, hvordan en skal se ud.

En startup i Storbritannien bruger maskinlæring til at gøre det muligt for computere og smartphones at modellere visuel information på en lignende måde. En computer kunne bruge disse visuelle modeller til forskellige opgaver, fra forbedring af videostreaming til automatisk at generere elementer af en realistisk virtuel verden.

Magic Pony teknologi , skabt af kandidater fra Imperial College London med ekspertise inden for statistik, computersyn og neurovidenskab, træner store neurale netværk til at behandle visuel information.

Live videospil-feed viser, hvordan systemet kan skærpe slørede optagelser i realtid.

Virksomheden har udviklet en måde at skabe videoer eller billeder i høj kvalitet fra lavopløsningsvideoer. Den sender eksempelbilleder til en computer, som konverterer dem til en lavere opløsning og derefter lærer forskellen mellem de to. Andre har demonstreret bedriften før, men virksomheden er i stand til at gøre det på en almindelig grafikprocessor, som kunne åbne op for applikationer. Et eksempel, det er demonstreret, bruger teknikken til at forbedre et live-spilfeed i realtid.

Magic Ponys algoritmer kan skærpe en pixeleret karakter.

Rob biskop , en medstifter, siger, at Magic Pony i øjeblikket er i forhandlinger med flere store virksomheder, der er interesserede i at licensere teknologien. Online videostreamingvirksomheder er stærkt afhængige af videokomprimering, siger Bishop. Vores første produkt demonstrerer, at billedkvaliteten kan forbedres betydeligt ved hjælp af dyb læring, og hurtige mobile GPU'er giver os nu mulighed for at implementere det hvor som helst.

Bishop tilføjer, at teknologien kan forbedre kvaliteten af ​​billeder taget på smartphones med lavopløsningskameraer eller i svagt lys. Virksomheden kigger på andre applikationer, herunder at konvertere pixeleret computergrafik til højopløselig eller automatisk generere miles af realistisk udseende terræn og teksturer fra tidligere eksempler til spil eller virtual reality-miljøer.

Hvad der er usædvanligt ved virksomhedens tilgang til behandling af videooptagelser er, at det ikke behøver manuelt mærkede eksempler. I stedet genkender den statistiske mønstre i eksempler med høj opløsning og lav opløsning og lærer derefter sig selv, hvordan kanter, teksturer, lige linjer og andre funktioner skal se ud.

Denne type læring kan være vigtig for fremtiden for kunstig intelligens (se The Missing Link of Artificial Intelligence). Til dato er dyb læring for det meste blevet anvendt som en måde at genkende objekter på højt niveau såsom særlige ansigter i billeder og video, en bedrift opnået ved at behandle mange mærkede eksempler (se 10 Breakthrough Technologies 2013: Deep Learning).

Systemet kan automatisk generere komplekse teksturer, såsom en nødlidende murstensvæg.

Systemet kan automatisk generere komplekse teksturer, såsom en nødlidende murstensvæg.

Forskere fra Magic Pony vil præsentere et papir på en computervisionskonference senere i år. Men Bishop siger, at siden papiret blev skrevet, har hans team forbedret teknologien markant for at gøre den endnu mere effektiv.

Bishop forklarer, at Magic Ponys navn kommer fra et møde, hvor den tidligste investor beskrev teknologien som en magisk pony, fordi ingen ville tro det uden at se den.

skjule