Apprendimento profondo

Il deep learning ha guidato i maggiori progressi nel fotoritocco tramite intelligenza artificiale dal 2012, quando le reti neurali profonde hanno dimostrato per la prima volta una precisione sovrumana nel riconoscimento delle immagini nella competizione ImageNet. Le reti con dozzine o centinaia di livelli possono imparare a comprendere il contenuto delle immagini a più livelli di astrazione. I primi livelli rilevano caratteristiche semplici come bordi e colori. Gli strati intermedi li combinano in trame e forme. Gli strati profondi riconoscono oggetti e scene completi. Questa comprensione gerarchica è ciò che consente agli strumenti di intelligenza artificiale di prendere decisioni di editing intelligenti basate sul contenuto dell'immagine.\n\nL'impatto pratico del deep learning sul fotoritocco è trasformativo. Prima del deep learning, gli strumenti automatizzati si basavano su regole create manualmente e su semplici euristiche. La rimozione dello sfondo richiedeva agli utenti di fare clic vicino ai bordi. La rimozione degli oggetti ha lasciato artefatti visibili. Il miglioramento dell'immagine ha applicato regolazioni uniformi. L'apprendimento profondo ha sostituito queste limitazioni con strumenti che comprendono ciò che stanno guardando e rispondono di conseguenza.\n\nL'apprendimento profondo richiede grandi set di dati di addestramento e notevoli risorse computazionali. L'addestramento di un modello di immagine all'avanguardia può richiedere milioni di immagini e settimane di elaborazione su hardware specializzato. Tuttavia, una volta addestrato, il modello può elaborare singole immagini in pochi secondi o millisecondi. Questa asimmetria (costosa da addestrare ed economica da utilizzare) è il motivo per cui gli strumenti basati sul deep learning possono offrire risultati di qualità professionale a prezzi accessibili ai consumatori.\n\nLa suite di prodotti Magic Magic Eraserire è basata sulla tecnologia di deep learning. I modelli che alimentano la rimozione degli oggetti, l’estrazione dello sfondo, il miglioramento delle immagini e la generazione di contenuti sono tutte reti neurali profonde addestrate su grandi set di dati di fotografie. Questi modelli continuano a migliorare man mano che le tecniche di addestramento avanzano e i dati di addestramento crescono. Ogni successiva generazione di modelli offre risultati misurabilmente migliori (rilevamento dei bordi più preciso, generazione di contenuti più realistici e riproduzione dei colori più accurata), il che significa che lo stesso flusso di lavoro dell'utente consistente nel caricare una foto e fare clic su un pulsante produce risultati sempre più professionali man mano che i modelli di deep learning sottostanti vengono perfezionati e riqualificati su set di dati di immagini più grandi e diversificati.