iT邦幫忙

鐵人檔案

2024 iThome 鐵人賽
回列表
生成式 AI

用AI做圖像super resolution 或用AI做圖像中的物件消除 系列

圖像超分辨率旨在將低分辨率圖像轉換為高分辨率圖像,提高清晰度和細節。傳統插值方法效果有限,而 AI 技術能學習圖像中的紋理特徵,生成更逼真的高分辨率圖像。典型模型包括 SRCNN、VDSR、SRGAN 等,應用於醫學影像增強、監控視頻、衛星圖像分析和數字攝影。挑戰在於重建邊緣和紋理細節。圖像中的物件消除旨在從圖像中去除不需要的物體,並自然填補缺失區域。AI 方法如 CNN、GAN、自注意力機制等,學習圖像的結構和紋理,生成自然逼真的填補效果。

參賽天數 26 天 | 共 30 篇文章 | 0 人訂閱 訂閱系列文 RSS系列文
DAY 1

圖像超分辨率是什麼?!

大家好今天是鐵人的第一天,我先來介紹圖像超分辨率(Super resolution)是什麼吧!現在AI技術發達,在影像處理的部分更是不可或缺。運用這個技術可以讓...

DAY 2

有關圖像的物件刪除~

今天是第二天還在慢慢習慣這個節奏,希望可以把它養成一個習慣每天打一點心得,久而久之而帶來收穫! 昨天挑戰中,我們提到了圖像抽分辨率,今天來聊聊圖像物件消除!圖像...

DAY 3

CNN day 1—卷基層

今天是第三天,要來介紹的是卷積神經網絡(CNN),這是一種廣泛應用在圖像處理的學習模型。它的設計靈感來自人類的視覺系統,可以有效地辨認圖像中的特徵然後進行分類。...

DAY 4

CNN day 2 —激活函數

今天是第二天來介紹CNN,鐵人挑戰也來到第四天!今天要介紹的是激活函數(Activation Function) 激活函數是引入非線性的關鍵,可以讓模型學習複雜...

DAY 5

CNN day 3—池化層

昨天幾天介紹完了CNN的核心—卷基層,還有激活函數後,今天要提到的是池化層! 池化層(Pooling Layer)池化層的目的是減少特徵圖(feature ma...

DAY 6

CNN day 4 —全連階層

今天的CNN來到了第四天,也到了尾聲啦!今天介紹的是在神經網路中扮演了將特徵向量映射到輸出結果的關鍵角色——全連結層。 全連階層(Fully Connected...

DAY 7

生成對抗網路1

前面幾天我們把卷積神經網路了解基本的原理後,緊接著要介紹的是生成對抗網路! 生成對抗網路(Generative Adversarial Network,我們簡稱...

DAY 8

生成對抗網路2

昨天我們介紹了生成對抗網路的由來以及工作原理之後,今天要來介紹的是他的損失函數以及他在我們日常生活中的應用! 損失函數 在GAN的訓練過程中,生成器和判別器之間...

DAY 9

圖像修復 (Inpainting)

圖像修復(Inpainting)是什麼呢!其實就是在圖像的破損或缺失部分進行填補,目的是讓圖像恢復完整,看起來不突兀。這種技術廣泛用在修復老照片、藝術品,甚至是...

DAY 10

必先利其器!

最近的一個禮拜我們把很多基本的概念介紹給大家了!今天我們要先把必要的工具及Python安裝起來~~今天是運用到Python的第一天先來介紹一些基本的名詞吧!Py...