تاریخچه الگوریتم‌های تولید عکس با هوش‌مصنوعی

اصلی‌ترین رده مدل‌های یادگیری ماشین و هوش مصنوعی برپایه پیشبینی‌کردن و حدس زدن گام‌های بعدی طرح ریزی شده است. برای مثال مدل‌هایی که داده‌های سری زمان را می‌گیرند و پیش‌بینی می‌کنند که طبق روند قبلی در هفته آینده چه اتفاقی میافتد، یا اینکه براساس حجم زیادی داده تشخیص می‌دهند که توت فرنگی های موجود در یک مزرعه چه زمانی رسیده و آماده چیدن هستند و یا اینکه زمان رسیدن ما به مقصد توسط گوگل چگونه دقیق محاسبه می‌شود و روند ترافیک را پیشبینی می‌کند.
کاربرد مدل‌های پیشبینی در یادگیری ماشین گسترده‌ترین کاربرد آن است و بعضی مواقع ما حتی مدل‌هایی داریم که در پشت صحنه از منطق پیشبینی و حدس‌های آماده استفاده میکنند. در این مقاله قرار است به یکی از معروف‌ترین و مهم‌ترین الگوریتم های یادگیری ماشین بپردازیم که خلاقیت خاصی پشت طرح ریزی آن وجود دارد، یعنی الگوریتم‌های حذف نویز و تولید عکس.

حذف نویز از عکس چه ربطی به تولید عکس دارد؟

شاید در گام اول عجیب بنظر برسد که الگوریتم های Deblurring و حذف نویز از تصویر چه ربطی به مدل های هوش مصنوعی دارد که عکس های عجیب، تازه و خلاقانه تولید میکنند، بهتر است که با روند تاریخچه آن همراه شویم تا ببینیم ارتباط بین این دو مدل چیست.

الگوریتم‌های اولیه حذف نویز

الگوریتم‌های اولیه حذف نویز بر پایه‌ی فیلترهای خطی مانند فیلتر میانگین (Mean Filter) و فیلتر گاوسی طراحی شدند. این الگوریتم‌ها برای کاهش نویز در تصاویر مورد استفاده قرار می‌گرفتند اما اغلب باعث از دست رفتن جزئیات تصویر نیز می‌شدند.

پیشرفت به سمت مدل‌های غیرخطی

برای حل مشکلات از دست دادن جزئیات، الگوریتم‌های غیرخطی مانند فیلتر میانه (Median Filter) و مدل‌های مبتنی بر آنالیز موجک (Wavelet Analysis) معرفی شدند. این روش‌ها با موفقیت بیشتری توانستند نویز را کاهش دهند در حالی که جزئیات تصویر تا حد زیادی حفظ می‌شد.

یادگیری عمیق و تحول در حذف نویز

با ظهور شبکه‌های عصبی عمیق، الگوریتم‌های حذف نویز وارد عصر جدیدی شدند. مدل‌هایی مانند DnCNN و U-Net توانستند با یادگیری از داده‌های بزرگ، بهبود قابل توجهی در کیفیت حذف نویز ارائه دهند. این روش‌ها علاوه بر کاهش نویز، قادر بودند تا برخی از جزئیات از دست رفته را بازسازی کنند.

مدل‌های انتشار

مدل‌های انتشار (Diffusion Models) در ابتدا برای حذف نویز طراحی شدند اما با گذشت زمان، قابلیت‌های جدیدی در این مدل‌ها کشف شد. ایده اصلی در مدل‌های انتشار این است که فرآیند افزایشی نویز به تصویر اضافه می‌شود و سپس این نویز در جهت عکس بازگردانی می‌شود تا تصویر اصلی بازسازی شود. این فرآیند به طور دقیق و مرحله به مرحله انجام می‌شود.

تکامل به سمت تولید تصویر

در میانه‌ی توسعه مدل‌های انتشار، پژوهشگران دریافتند که این مدل‌ها علاوه بر حذف نویز، می‌توانند برای تولید تصویر نیز به کار روند. با استفاده از مدل‌های انتشار، می‌توان از یک نویز تصادفی به یک تصویر با کیفیت بالا رسید. این ایده‌ها زمینه‌ساز توسعه مدل DDRM شدند.

الگوریتم DDRM: نحوه عملکرد

الگوریتم DDRM (Denoising Diffusion Restoration Model) بر پایه مدل‌های انتشار طراحی شده است. این الگوریتم ترکیبی از حذف نویز و تولید تصویر را ارائه می‌دهد. فرآیند کاری آن شامل مراحل زیر است:

1. افزایش تدریجی نویز: ابتدا نویز به تصویر افزوده می‌شود تا داده‌ها را به فضای نویزی منتقل کند.
2. انتشار معکوس: سپس فرآیند انتشار معکوس انجام می‌شود تا تصویر اولیه بازسازی گردد.
3. بازسازی جزئیات: در هر مرحله، شبکه عصبی مورد استفاده تلاش می‌کند تا نویز را حذف کند و جزئیات تصویر را بازسازی نماید.

DDRM از معماری‌های پیشرفته‌ای مانند U-Net برای پیش‌بینی نویز در هر مرحله استفاده می‌کند. این مدل به کمک یادگیری عمیق و داده‌های آموزشی گسترده، قادر است تا تصاویر بسیار با کیفیت و واقعی تولید کند.

کاربردها

از جمله کاربردهای DDRM که تاثیر مهمی دارند می‌توان به موارد زیر اشاره کرد:

• بازسازی تصاویر قدیمی یا آسیب دیده: DDRM می‌تواند تصاویر با کیفیت پایین را بهبود دهد.
• تولید تصاویر هنری: این الگوریتم در تولید آثار هنری دیجیتال نیز کاربرد دارد.
• تولید تصاویر از متن: ترکیب DDRM با مدل‌های زبانی می‌تواند به تولید تصاویر بر اساس توصیف‌های متنی منجر شود.

توسعه الگوریتم‌های حذف نویز تا خلق مدل DDRM نشان‌دهنده‌ی پیشرفت‌های چشمگیر در حوزه پردازش تصاویر است. DDRM به عنوان یکی از نوآورانه‌ترین مدل‌ها، توانسته است حذف نویز و تولید تصویر را به صورت همزمان و با کیفیت بالا ارائه دهد. با توجه به پتانسیل‌های فراوان این مدل، انتظار می‌رود که در آینده‌ای نزدیک شاهد کاربردهای گسترده‌تری از آن باشیم.