Görüntüde Üretim ve Tıpkıyapım
Yeniden örnekleme, üretici modeller, veri artırma ve kimlik aktarımı üzerinden sentetik görüntünün ne ürettiğini ve neyi kanıtlamadığını tartışan teknik çerçeve.
Görüntü üretimi, geometrik yeniden örneklemeden öğrenilmiş üretici modellere kadar geniş bir yöntem ailesini kapsar. Ortak özellik, çıktı görüntüsünün doğrudan algılayıcı ölçümü yerine mevcut veriden veya öğrenilmiş dağılımdan türetilmesidir.
Yeniden örnekleme
Nearest-neighbour, bilinear ve bicubic yöntemler mevcut piksellerden yeni örnek konumları hesaplar. Ölçekleme, döndürme ve geometrik düzeltme işlemleri yeni bir örnekleme ızgarası üretir; kaynakta bulunmayan fiziksel ayrıntıyı kendiliğinden geri getirmez.
Üretici modeller
Autoencoder yapıları girdiyi sıkıştırılmış bir gizli temsile dönüştürür. Varyasyonel autoencoder'lar bu uzaya olasılıksal yapı kazandırır. GAN üretici ve ayırt edici ağların karşıt amaçlarla eğitilmesine dayanır.
Difüzyon modelleri, veriye kademeli gürültü ekleme sürecinin tersini öğrenerek yüksek kaliteli örnekler üretebilir. Bu modellerin çıktısı gerçekçi görünse de kaynak sahnenin doğrudan kaydı değildir.
Sentetik veri ve kimlik aktarımı
Sentetik veri, nadir sınıfları çoğaltmak ve fiziksel veri üretim maliyetini azaltmak için kullanılabilir. Eğitim verisine özgü sentetik izler, modelin gerçek dünyada genellemesini etkileyebilir.
Yüz değiştirme, kimlik aktarımı ve reenactment tekniklerinde veri kökeninin izlenmesi özellikle önemlidir. Görsel gerçekçilik, geometrik doğruluk ve içerik kökeni birbirinden ayrı özelliklerdir.
Üretici sistemlerin değerlendirilmesinde kalite metriği yanında veri kökeni, işaretleme, model sürümü ve gerçek veriyle karışma noktaları da izlenmelidir.
