Artificiell intelligens kan nu designa realistiska video- och spelbilder

Om du blundar och föreställer dig en tegelvägg kan du förmodligen komma på en ganska bra mental bild. Efter att ha sett många sådana väggar vet din hjärna hur en ska se ut.

En startup i Storbritannien använder maskininlärning för att göra det möjligt för datorer och smartphones att modellera visuell information på liknande sätt. En dator kan använda dessa visuella modeller för olika uppgifter, från att förbättra videoströmning till att automatiskt generera delar av en realistisk virtuell värld.

Magic Pony Technology , skapad av utexaminerade från Imperial College London med expertis inom statistik, datorseende och neurovetenskap, tränar stora neurala nätverk för att bearbeta visuell information.

Live videospelsflöde visar hur systemet kan skärpa upp suddiga bilder i realtid.

Företaget har utvecklat ett sätt att skapa högkvalitativa videor eller bilder från lågupplösta. Den matar exempelbilder till en dator, som konverterar dem till en lägre upplösning och sedan lär sig skillnaden mellan de två. Andra har visat bedriften tidigare, men företaget kan göra det på en vanlig grafikprocessor, vilket kan öppna upp applikationer. Ett exempel som det har visat använder tekniken för att förbättra ett livespelflöde i realtid.

Magic Ponys algoritmer kan skärpa upp en pixlad karaktär.

Rob Bishop , en medgrundare, säger att Magic Pony för närvarande för samtal med flera stora företag som är intresserade av att licensiera tekniken. Online-videostreamingföretag är mycket beroende av videokomprimering, säger Bishop. Vår första produkt visar att bildkvaliteten kan förbättras avsevärt med hjälp av djupinlärning, och snabba mobila GPU:er gör det nu möjligt för oss att distribuera den var som helst.

Bishop tillägger att tekniken kan förbättra kvaliteten på bilder tagna på smartphones med lågupplösta kameror eller i svagt ljus. Företaget tittar på andra applikationer, inklusive att konvertera pixlad datorgrafik till högupplösta eller automatiskt generera mil av realistiskt utseende terräng och texturer från tidigare exempel för spel eller virtuella miljöer.

Det som är ovanligt med företagets tillvägagångssätt för att bearbeta videofilmer är att det inte behöver manuellt märkta exempel. Istället känner den igen statistiska mönster i högupplösta och lågupplösta exempel och lär sig sedan själv hur kanter, texturer, raka linjer och andra funktioner ska se ut.

Denna typ av lärande kan vara viktig för framtiden för artificiell intelligens (se The Missing Link of Artificial Intelligence ). Hittills har djupinlärning mestadels använts som ett sätt att känna igen objekt på hög nivå som särskilda ansikten i bilder och video, en bedrift som åstadkommits genom att bearbeta många märkta exempel (se 10 Breakthrough Technologies 2013: Deep Learning ).

Systemet kan automatiskt generera komplexa texturer, såsom en sliten tegelvägg.

Systemet kan automatiskt generera komplexa texturer, såsom en sliten tegelvägg.

Forskare från Magic Pony kommer att presentera en artikel vid en datorseendekonferens senare i år. Men Bishop säger att sedan tidningen skrevs har hans team förbättrat tekniken avsevärt för att göra den ännu mer effektiv.

Bishop förklarar att Magic Ponys namn kommer från ett möte där den tidigaste investeraren beskrev tekniken som en magisk ponny eftersom ingen skulle tro det utan att se den.

Dölj