Technologie
Rauschreduzierung und Upscaling mit neuronalen Netzen
Die Anwendung von neuronalen Netzen revolutioniert die Bildbearbeitung, indem sie Rauschen entfernt und die Auflösung von Bildern verbessert. Dies eröffnet neue Möglichkeiten für die Restaurierung von Archivmaterial und die Optimierung von Renderings.
Das Entfernen von Bildrauschen bietet einen offensichtlichen Nutzen bei der Restaurierung von Archivmaterial. Durch den Einsatz von Rauschreduzierung können Details wiederhergestellt und die Qualität alter Aufnahmen verbessert werden.
Wer bereits Renderings mit weichen Schatten oder Ambient Occlusion erstellt hat, ist mit dem Konzept des stochastischen Samplings vertraut. Dabei handelt es sich um eine Methode, bei der zufällige Stichproben über einen Parameterraum genommen werden. Weiche Schatten können beispielsweise durch eine Flächenlichtquelle entstehen. Wenn nicht genügend Sample-Punkte über die Lichtquelle generiert werden, sind die Schatten verrauscht. Je mehr Samples verwendet werden, desto geringer ist das Rauschen. Die Erhöhung der Sample-Anzahl führt jedoch zu längeren Renderzeiten.
Anwendung neuronaler Netze
Die zusätzliche Renderzeit kann vermieden werden, indem das verrauschte Bild durch ein neuronales Netz geleitet wird, das mit verrauschten und entsprechenden sauberen Bildern trainiert wurde.
Ein ähnliches neuronales Netz kann mit Bildern niedriger Auflösung und den dazugehörigen hochauflösenden Bildern trainiert werden. Ein 1K-Rendering kann durch dieses neuronale Netz geleitet werden, um ein 2K-Bild zu erhalten. Dieses 2K-Bild wird nahezu die Qualität eines 2K-Bildes erreichen, das bei ausreichender Zeit gerendert worden wäre.
Die Ergebnisse dieser neuronalen Netze sind nur so gut wie das Trainingsmaterial. Generell gilt: Je mehr Trainingsdaten zur Verfügung stehen, desto besser sind die Ergebnisse.
Der Grund für die Erstellung eigenen Trainingsmaterials liegt darin, Fragen des geistigen Eigentums zu vermeiden. Wenn ein neuronales Netz mit Material trainiert wird, das beispielsweise in einem Projekt für Disney erstellt wurde, stellt sich die Frage, ob dieses Netz auch in einem Projekt für Warner Brothers verwendet werden darf, ohne Eigentumsrechte zu verletzen.
Neuronale Netze können auch für weniger offensichtliche Aufgaben eingesetzt werden. Das Team von ILM trainierte beispielsweise ein neuronales Netz, um die Gesichtsanimation von Thanos in "Avengers: Endgame" zu verbessern.
Angesichts der vielfältigen Anwendungen von maschinellem Lernen (ML) entwickelt sich ein breites und aufstrebendes Feld. In den kommenden Wochen werden weitere Einsatzmöglichkeiten von ML und neuronalen Netzen in der Kreativwirtschaft beleuchtet.
KI-gestützte Bildoptimierung für Ihre Projekte
Sie möchten wissen, wie Rauschreduzierung und Upscaling mit neuronalen Netzen Ihre Archivmaterialien oder Renderings verbessern können? Das Team von Escape Technology unterstützt Sie bei der Bewertung und Umsetzung passender KI-Lösungen.
Folgen Sie uns auch auf LinkedIn!
