ディープラーニング

ディープ ラーニングは、ImageNet コンテストでディープ ニューラル ネットワークが初めて超人的な画像認識精度を実証した 2012 年以来、AI 写真編集の大きな進歩を推進してきました。数十または数百のレイヤーを持つネットワークは、複数の抽象化レベルで画像コンテンツを理解することを学習できます。初期のレイヤーは、エッジや色などの単純な特徴を検出します。中間層はこれらをテクスチャと形状に結合します。深い層は完全なオブジェクトとシーンを認識します。この階層的な理解により、AI ツールが画像コンテンツに基づいてインテリジェントな編集決定を下せるようになります。\n\n写真編集におけるディープ ラーニングの実際的な影響は、変革をもたらします。ディープラーニング以前は、自動化ツールは手作りのルールと単純なヒューリスティックに依存していました。背景を削除するには、ユーザーは端付近をクリックする必要がありました。オブジェクトを削除すると、目に見えるアーティファクトが残ります。画像強化では均一な調整が適用されました。ディープ ラーニングは、これらの制限を、何を見ているのかを理解し、それに応じて応答するツールに置き換えました。\n\nディープ ラーニングには、大規模なトレーニング データセットと大量の計算リソースが必要です。最先端の画像モデルをトレーニングするには、数百万枚の画像と専用のハードウェアでの数週間の処理が必要になる場合があります。ただし、トレーニングが完了すると、モデルは個々の画像を数秒またはミリ秒で処理できます。この非対称性 (トレーニングには費用がかかり、使用には安価) があるため、ディープ ラーニングを活用したツールは、消費者がアクセスできる価格でプロ品質の結果を提供できます。\n\nMagic Magic Eraserire 製品スイートは、ディープ ラーニング テクノロジーに基づいて構築されています。オブジェクトの削除、背景の抽出、画像の強調、コンテンツの生成を実行するモデルはすべて、写真の大規模なデータセットでトレーニングされたディープ ニューラル ネットワークです。これらのモデルは、トレーニング技術が進歩し、トレーニング データが増加するにつれて改善され続けます。モデルを連続生成するたびに、より精細なエッジ検出、よりリアルなコンテンツ生成、より正確な色再現など、目に見えるほど優れた結果が得られます。つまり、写真をアップロードしてボタンをクリックするという同じユーザー ワークフローが、基盤となるディープ ラーニング モデルが洗練され、より大規模で多様な画像データセットで再トレーニングされるにつれて、ますますプロフェッショナルな結果を生み出すことになります。