神复原女神照片！GAN爲百年旧照上色机器之心报道使用页面详细效果如何呢？小编找了玛丽莲·梦露的经典照片尝试了一下，效果冷艳。以下是从 Colourise.sg 图库中找到的效果比照图。这项技术之前没有人做过吗？可以说有，也可以说没有。你能够会问，这有什麼关系？以 Algorithmia 创立的黑色图像爲例，Algorithmia 创立的图像颜色强度不够，可信度也不够高。原始图像（左）和由 Algorithmia 创立的黑色图像（右）如何给彩色旧照上色在解释电脑顺序如何上色之前，我们先来看一下人类如何给图像上色。上色是一份十分耗时且对技艺要求很高的打工。爲了创立一张颜色协调的照片，人类着色师必需完成两项义务：对照片的历史、天文、文明背景停止深化研讨，以推断出适宜的颜色；用 Photoshop 等软件工具对彩色图像停止上色。异样，计算机顺序也需求完成两项义务：辨认彩色照片中的目的并基于之前见过的照片推断出合适目的的颜色；给彩色照片上色运用生成对立网络停止上色爲了给彩色照片上色，我们运用了深度学习中已知的生成对立网络技术。包括：其次，用「判别器」来确定与原始黑色图像相比，生成照片的颜色能否逼真。训练模型，直到判别器无法区分生成器生成的照片能否爲真实的。训练模型的架构的简化视图如下所示：用于上色的简化 GAN 架构将我们的深度学习模型部署爲 web 端使用顺序至此，我们的深度学习模型位于办公室本地端的 GPU 集群上——这意味着，只要我们的团队可以运用 colouriser 模型。爲使其别人可以运用 coloriser，我们必需在网络上部署这一模型。我们将谷歌云作爲 coloriser 云效劳的供给商，其架构十分复杂：（2）NGINX 前端代理和静态内容效劳器，（3）负载均衡器担任流量分配，Colourise.sg 架构图上色进程属于计算密集型义务，完成一张图片大约破费 3 秒钟。照此，我们计划运用 NGINX 效劳器将恳求排至后端，从而屏蔽后端 colouriser 效劳器。假如恳求导入的速度远远超出后端效劳器的操作才能，NGINX 效劳器间接将形态呼应前往至客户，恳求用户再次尝试。这一架构的关键点在于 colouriser 效劳虚拟机可以对每台虚拟机所必需提供的流量做出自动调整。此举可以节省本钱，其他虚拟机只在需求时开启。后果较好的生成后果该模型在高分辨率照片上表现很棒，这些照片突出了人类主体（人在照片中占很大比例）和自然风光。上面的照片看起来很真实（至多对我们来说），由于它们包括一些在图像数据集中训练充沛的目的。因而模型可以辨认图像中的正确目的，并给它们精确上色。趣事当模型不能辨认照片中的目的时，会发作一些风趣的事。这种景象被称爲「遮挡（occlusion）」，是计算机视觉的次要应战之一。在这种状况下，目的辨认算法无法辨认被局部遮挡的目的。Twitter 网友把爷爷奶奶的彩色结婚照都翻出来了该网站发布后惹起了少量 Twitter 网友的转载，他们从各种途径找到了一些早已淡出群众视野的老照片，有些还是本人祖父母的旧照。上色之后，这些照片上的人似乎又变得鲜活起来。网友惊呼应用 Colourise.sg 可以将彩色照片「秒变」彩照网友应用 Colourise.sg 给本人祖父母的结婚照上色，惊呼「So so awesome」网友应用 colourise.sg 技术给旧景色照上色，效果惊人。直呼：盘它！前往搜狐，检查更多责任编辑：