Нейросети научились изменять на фото время года и погодные условия
Сперва дождь вместо засухи, затем трава вместо снега, а там глядишь и Земля без кожаных ублюдков, да, нейросеть?
Для лиги лени там есть и видюшки:
Snowy to summery image translation result video 01
Snowy to summery image translation result video 02
Day to night image translation result video 01
Day to night image translation result video 02
И куча примеров изображений:
https://photos.app.goo gl/5x7oIifLh2BVJemb2 (поставить точку после goo)
А в России научатся накладывать асфальт на видео
Там она же (нейросеть) дальше меняет породу собак и кошек. Так вот.
Гепарда в кота просто ШИКАРНО
Научились, но не очень.
Смотрим в правую часть кадра.
Белый дом покоричневел, видимо сеть приняла покраску за снег.
А белая башня за ним вообще покрылась листвой, которая на последующих кадрах ещё и частично куда-то пропала:
Минут 5 искал подвох (фотошоп или стёб). Увидев слева коряво замазанный внедорожник, всё таки пришлось признать. Скайнет не за горами. До смерти поменяют погоду на всех фотках.
Бля как страшно жить, штрафы хреначат на основании размытых черно-белых фото, нейросети уже вовсю накладывают погоду в приличном разрешении, еще чуть чуть и думаю эти технологии поставят на поток.
вот оригинал без ретуши копирайта
<kzlm! Скайнет захватывает мир! Срочно закупаемся гречкой и бежим в земляной бункер совершать массовую грпповуху в перемешку с массовым суицидом!
Если эти интеллектуальные способности да в тело бостон динамикс.
@mainka, че правда научились?
Прикольно. Прямо как в матрице, но пока в одной фиксированной текстуре. Всегда знал, что суть времен года это профилактика кластера матрицы. Уходят на чахлый резервный ЦОД и приходится отключать текстуры неба и земли - все заливают белым и серым градиентами, всякие 3Д сложные детальки убирают - листики, травка, букашки. даже борода геолога и та льдышкой становится из 10 полигонов. Все время некомфортные условия на улице, чтобы слабенькие сервера не перегружали, не шлялись массово в локациях, а сидели дома.
Осталось в это концепции объяснить новый год. нагрузочное тестирование? Как думаете?
Окей, Норильск, твой выход.
Надо сделать нейросеть "Первая чеченская" - на любой фотографии становиться бесснежная зима с тяжёлым и низким пасмурным небом до горизонта, серое освещение, деревья без листвы, земля без травы и вся вспахана траками танков, вся поверхность покрыта ровным слоем грязи, говна и осколков. Окна - выбиты, на перекрёстках - начавшие ржаветь остовы сгоревших БТРов с сожженными телами невыбравшихся из машины бойцов. А людей, запечатленных на фотографиях, переодевают в потасканную форму российских войск, а их лица нейросеть делает уставшими, а глаза - полными внутренней пустоты и отчаяния.
Умиляют новости, что нейросети снова чему-то научились. Это их, как бы, главное занятие. Было бы интересно, если бы принципиально изменили подход, алгоритм обработки и обучения, вот тогда что-то новое. А после того как я видел голых аниме девочек из лапши, больше ничем не удивишь.
Не надо их этому учить. Потому кто-нить подсунет им фотку планеты с людьми, а они сделают без людей. И поймут - что это хорошо. И будет свет. ядерный
PS. шучу, конечно
Киньте ссылку чиновникам Омска. Им как раз для отчета надо.
Есть программа, где ставишь фото в одежде, а выходит без
Отлично, делаешь фото пустой дороги, получаешь "пробку" и звонишь "алло, шеф, я тут в пробке стою. "
Смогут ли нейросети чинить дорогу?
Например вы даете им фотку любой улицы в России(где много ям и заплаток) и рейросеть сразу же делает нормальную дорогу.
ну, будем пробовать
А можно мне нейросеть, чтобы девушек раздевать по фото умела?
Круто! Теперь можно будет менять аватарки, не выходя из дома.
Какая тупая нейросеть, по прежнему не умеет класть асфальт, подбирать окурки, собирать мусор, разделывать рыбу на конвейере. или это тупы программисты нейросети заставляющие её делать всякую безделицу вместо дела?
А можно чтобы из тропинки хоп! и асфальт? Другу очень надо.
что будет, если подставить фото Путина?
Нейросети научились то, нейросети научились сё. До сих пор картинки/фото оцветнять не научились хоть сколько-нибудь прилично, хотя об этом их умении писали давно и много.
Дождик сильный - машины смыло.
а ссылку на сайт с нейросетью не дали
качество шакальное, и нам поковырять не дали. хуита
у нас так смогут из-за асфальта который каждое время года видоизменяется непредсказуемо, прям как в анекдоте про изменение ландшафта вручную, чтоб запутать вражескуюармию
Veritasium: Возвращение аналоговых компьютеров (ч.2)
Во второй части Дерек расскажет о становлении искусственных нейронных сетей и про современные решения чипов для использования преимуществ аналоговых вычислений в работе обученных нейронных сетей, которые плотно входят в нашу повседневность.
Норвегия в стиле художницы Alena Aenami
Новая генерация через модель нейросети Disco Diffusion v4.1
Ответ на пост «ИИ захватит мир?»
Для продажи интересностей вступил в группу в ВК про антиквариат. Спустя некоторое время начали приходить предложения отметить себя на фотографии. Были довольно таки интересные варианты.
ИИ захватит мир?
Новый генератор лиц по исходному изображению
Недавно выкатили новый генератор лиц по исходному изображению. Точность значительно возросла, в сравнении со старой моделью, однако немного просела скорость. Теперь на вычисление тратится чуть больше времени, но оно того стоит. По окончанию работы можно будет либо сравнить изменения, двигая шторкой, либо просто забрать результат, который придет на email. Протестировать можно по ссылке ниже:
Нагиевы главное какие получаются, вы посмотрите только
Нейросеть, бесплатно анимирующая детские рисунки
Нейросеть анимирует детские рисунки. Они должны быть антропоморфны. 32 варианта анимации. Можно редактировать маску и "шарниры". Вряд ли годится для серьёзных вещей, но если нужно развлечь детей - вполне.
Нейросеть выдаёт такие варианты. Фон нужно делать отдельно.
Новые возможности для криворучек
NVIDIA представила обновлённую нейросеть GauGAN2. Теперь программа генерирует еще более реалистичные изображения, понимая и применяя к изображению даже текстовую информацию.
Баянометр показал кота на кондиционере (Будущее уже наступило)
Скоро на Пикабу
11 апреля 1896 года улица в Марселе, Франция Раскрашенное и увеличенного и в 60 кадров в секунду
Очень старый фильм о главной улице "Канебьер" в Марселе, Франция, 11 апреля 1896 года. Это высококачественная восстановленная печать из архивов компании Lumière. Это один из самых ранних фильмов, когда-либо снятых.
Видео было раскрашено и увеличено и увеличено до 60 кадров в секунду изначально было 24.
ArcaneGan: Разработчик создал нейросеть, которая обрабатывает фото в стилистике мультсериала «Аркейн»
Нейросеть ArcaneGAN создал разработчик Александр Спирин. Она обрабатывает любые снимки в стилистике мультсериала Netflix «Аркейн», автоматически подбирая персонажа шоу, подходящего к фото.
Так же доступна обработка видео до 10 сек.
Люблю улучшать такие обработки, быстро и удобно сделать это можно тут: https://t.me/deeppaintbot
Автор постоянно улучшает перенос стиля и в первую очередь закачивает обновления в бота.
Nvidia создала нейросеть для превращения текста в картинки
Компания Nvidia презентовала новую версию нейросети GauGAN, которая, работая вместе с видеокартой Nvidia, трансформирует текст в изображения. Об этом говорится на сайте компании.
Качественные изображения и даже потусторонние пейзажи создаются из простых фраз. Кроме того, изображения можно изменять. Все это происходит очень быстро.
Отправную точку можно настроить с помощью эскизов, чтобы сделать конкретную гору выше или добавить пару деревьев на переднем плане или облака в небе.
Для работы нейросети GauGAN специально создано приложение NVIDIA Canvas для Windows 10. Для этого необходима видеокарта Nvidia серии GeForce RTX, Quadro RTX или TITAN RTX.
NVIDIA запустила Canvas
обновлённый редактор на основе нейросетей, превращающий эскизы в фотореалистичные изображения. Но работает он только на RTX-видеокартах.
Ниже мой собственный пример работы в данной программе. Пока хоть и выходит немного криво, но все таки это только первая версия. Для начала это невероятно хорошо.
Финал работы, когда добавил несколько штрихов
Canvas основан на другом инструменте NVIDIA — редакторе GauGAN, который компания представила в 2019 году. Оба приложения используют нейросети, чтобы конвертировать наброски в фотореалистичные рисунки.
Для этого NVIDIA «натренировала» алгоритмы при помощи глубокого обучения на суперкомпьютере DGX-1; в качестве образцов использовали свыше пяти миллионов изображений.
Вместо цветов для рисования в Canvas применяются материалы. Всего их 15 — можно, например, выбрать снег, траву, туман или море. Помимо них в редакторе есть 9 стилей, в зависимости от которых меняется освещение и иные детали пейзажей.
Для работы нужна карта c RTX
Нейросеть научили бесконечно улучшать качество изображений с низким разрешением. Шакалы будут недовольны
В сериалах и фильмах про полицию часто показывают, как из видео и фотографий низкого качества удаётся получить детальное изображение человека или номерного знака автомобиля. Неизвестно, были ли в руках у спецслужб такие технологии ранее, но с появлением нейросетей это стало реальностью. Исследователи из Калифорнийского университета в Сан-Диего и NVIDIA наглядно продемонстрировали работу такого алгоритма.
Разработанная нейросеть умеет кодировать растровое изображение сверхнизкого разрешения во вполне качественную картинку. В отличие от уже существующих алгоритмов, способных повышать разрешение, новый алгоритм способен работать не только с фиксированным разрешением, но и с разными масштабами без чётких ограничений по разрешению.
Одним из главных достижений разработчиков стало то, что для улучшения качества исходного изображения нейросеть анализирует и описывает не всю картину целиком, а разные её фрагменты. Указывается, что при получении координат определённого места на изображении соответствующая локальная функция использует кодированное представление признаков на окружающей области и воссоздаёт предполагаемые пиксели. В результате это позволяет рендерить изображение произвольного разрешения.
Примеры работы нейросети представлены в видео:
Для обучения нейросети использовался датасет DIV2K, состоящий из тысячи фотографий в разрешении 2K и уменьшенных в два, три и четыре раза версий. Перед алгоритмом стояла задача сначала уменьшить разрешение изображения, а затем вернуть его в исходное, полностью восстановив оригинал.
На пути к нейросети
Мы занимаемся разработкой экзоскелета кисти с биологической обратной связью для реабилитации детей с синдромом ДЦП. А точнее, пытаемся обучить нейросеть распознавать сигналы мозга для управления экзокистью.
Хочу рассказать, с чего началось и как продвигается наше исследование.
Несколько месяцев назад мы начали подготовку данных - сняли около 1000 энцефалограмм, которые содержат признаки, характерные для мысленного представления определенных движений кистью. Всего планируем снять 2000 ЭЭГ, но уже сейчас у нас достаточно данных для начала работы.
Следующий этап - установка видеокарты GeForce RTX 3090 c GDDR6 24Гб. Она позволяет обрабатывать большие обучающие выборки благодаря наличию большого объема памяти и использованию технологии CUDA. Но в новизне видеокарты скрывались подводные камни, которые я не без труда, но с успехом преодолел.
Видеокарта «взлетела» не сразу. Для начала стало ясно, что она не помещается ни в один из имеющихся в наличии корпусов. Был приобретен новый корпус Full Tower и отдельно блок питания на 750Вт. При попытке задействовать возможности CUDA в обучении нейронных сетей возникла следующая проблема – видеокарта слишком новая, фреймворки и библиотеки для искусственного интеллекта (DeepLearning4j, Theano, TensorFlow) её еще не поддерживают. Выход – скачать исходники фреймворков для ИИ и самостоятельно перекомпилировать их для поддержки видеокарты. Однако в процессе оказалось, что эти фреймворки ускоряются не только за счет ресурсов видеокарты, но и требуют поддержки современных инструкций процессора. Был приобретен современный процессор Inter Core I7-10700K с поддержкой AVX, AVX2 команд – , вместе с новой материнской платой и 32 Гб DDR4.
И вот наконец GeForce RTX 3090 смогла продемонстрировать свои возможности!
На первом графике видно, как задействуется память видеокарты и ресурсы GPU при обучении Convolution 1D — сверточной одномерной сети, обрабатывающей временные ряды — данные исследований ЭЭГ. Ранее обучение нейронной сети на этом датасете занимало около 4 часов. На новой видеокарте — порядка 3-4 секунд.
А вот задача посложнее: LSTM — рекуррентная сеть с долгой краткосрочной памятью. Те же данные считаются дольше — около 2 минут, и нагрузка на GPU выше:
Видеокарта решает! Раньше при внесении даже небольших изменений в конфигурацию сети, приходилось ждать несколько часов, чтобы понять, каким образом внесенные изменения отобразились на качестве распознавания признаков нейронной сетью. Теперь эта задача существенно облегчается.
Таким образом, видеокарту удалось запустить в Keras, используя только что вышедшее обновление TensorFlow в версии для GPU.
Однако эти решения используют Python, который при всех его положительных качествах (возможность быстрого прототипирования нейронных сетей, развитые библиотеки для работы с данными, простота и скорость разработки приложений) плохо подходит для многопоточных задач, когда в пределах одного приложения надо получать данные с устройства в реальном масштабе времени, обрабатывать их, подавать на вход ИНС, сохранять в файл, управлять внешними устройствами, рисовать данные на экране и т.д.
Поэтому необходимо было получить возможность работать с ИНС в Java-приложениях, но с этим из-за использования слишком нового железа возникли трудности. Описанными в мануалах способами GPU никак не хотел подключаться, и решения на тематических форумах на сайте разработчиков и GitHub не было, а те рецепты решения проблемы, которые советовали разработчики, не помогали.
Возникло понимание, что причина проблемы - в несовместимости ряда библиотек, компонентов фреймворка, с новыми библиотеками CUDA от NVIDIA.
Пришлось скачивать исходники и пытаться собирать библиотеки под необходимые платформы: CUDA 11.* и CuDNN 8.*, что оказалось нетривиальной задачей: имелось несколько тысяч файлов и масса условий окружения для нормальной сборки, а мануалы описывали сборки устаревших версий и не работали с новыми.
Кроме того, в исходных кодах возникали некоторые ошибки компиляции, одинаковые как для компиляции из Windows 10 (VS2019), так и из Ubuntu (gcc).
Удалось скомпилировать, после правки исходных кодов, часть зависимых библиотек проекта - libnd4j, а затем уже с ними библиотеку nd4j-cuda-11.1.
Ранее поддержка проекта рекомендовала использовать snapshots - версии библиотек из специального репозитория:
«we’ll be releasing a version with 11.0 in a bit, for now you can use snapshots and see if that works? https://deeplearning4j.konduit.ai/config/config-snapshots»
Однако, как оказалось, часть необходимых для работы файлов там отсутствовала, и рекомендация не помогла.
404 — Not Found
Path /org/nd4j/nd4j-cuda-11.0/1.0.0-SNAPSHOT/nd4j-cuda-11.0-1.0.0-20201117.023522-181-windows-x86_64.jar not found in local storage of repository «Snapshots» [id=snapshots]
Что и обусловило компиляцию недостающих файлов. К счастью, версия deeplearniung4j для 11.0 версии CUDA импортировалась, и, добавив в проект в виде отдельных jar и dll файлов скомпилированные библиотеки, удалось запустить приложение на видеокарте!
Часть POM файла работоспособного проекта:
Скомпилированные библиотеки добавлены в зависимости вручную:
В данном случае - обучение на сравнительном не большом объеме данных заняло 42 минуты 37 секунд, на CPU эта же задача выполнялась более 2500 минут при полной загрузке процессора.
Вот так я сам добавил поддержку современных видеокарт в Deeplearniung4j, чтобы не дожидаться, пока это сделают разработчики.
Спасибо за внимание. Пока мы еще в начале пути, буду продолжать рассказывать о нашей работе!