Нейросеть от Adobe превращает набросок в фотографию |
||
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2019-10-02 10:19 Нейросеть от Adobe превращает набросок в фотографию Следом за Nvidia разработчики из Adobe представили приложение на базе ИИ, в котором можно сгенерировать фотографию из наброска. В интерфейсе — два окна. В первом пользователь делает набросок, а во втором видит созданную нейросетью изображение. Пока алгоритмы понимают человеческие каракули только в нескольких категориях, среди них — баскетбольный мяч, ананас и клубничка. Зато, если у человека в процессе иссякнет вдохновение, нейросеть доведет рисунок до ума и добавит детали самостоятельно. Опять вся грязная работа на ИИ, а человеку — лавры. Авторы уже опубликовали на GitHub исходный код приложения для Linux и maсOS: https://github.com/arnabgho/iSketchNFill Мы предлагаем интерактивный метод перевода эскиза в изображение на основе GAN, который помогает начинающим пользователям легко создавать изображения простых объектов. Пользователь начинает с разреженного эскиза и желаемой категории объектов, а затем сеть рекомендует его вероятное завершение(Ы) и показывает соответствующее синтезированное изображение. Это включает цикл обратной связи, где пользователь может редактировать эскиз на основе рекомендаций сети, в то время как сеть может лучше синтезировать изображение, которое пользователь может иметь в виду. Чтобы использовать единую модель для широкого спектра классов объектов, мы вводим подход на основе стробирования для кондиционирования классов, который позволяет нам генерировать отдельные классы без смешивания функций из одной генераторной сети. Источник: github.com Комментарии: |
|