Синтез изображений

Холодный термоядерный синтез заработал — экспериментальный реактор стартапа ENG8 вышел в плюс

Удивительная новость пришла из Гибралтара. Местная компания ENG8 создала и показала в работе автономную и компактную установку по получению энергии от реакции холодного термоядерного синтеза. Эксперты с мировым именем подтвердили, что установка EnergiCells выдаёт в три раза больше энергии, чем тратит на холодный ядерный синтез. Установка работает без внешних источников питания и является первым в мире источником термоядерной энергии.

Коллаж interestingengineering.com. Источник изображения: interestingengineering.com \ ENG8

Валерия Тютина (Valeria Tyutina), генеральный директор ENG8, сказала: «В то время как горячий термоядерный синтез борется за получение чистой энергии, технология катализируемого термоядерного синтеза значительно продвинулась вперед и предлагает жизнеспособный источник доступной энергии с нулевым уровнем выбросов для развития мировой экономики. Наша технология доступна для массового производства, поэтому каждый житель планеты может иметь доступ к своему собственному независимому источнику энергии».

По всей видимости, речь идёт об электрохимически индуцированном ядерном синтезе, в ходе которого в электролитической ячейке происходит слияние изотопов водорода на электродах в присутствии катализатора. «Энергетические элементы соединяют ядра водорода, производя фотоны или свет, а также непосредственно электроны или электричество. В настоящее время они производят электроэнергию в масштабе от милливатт до десятков киловатт», — как объясняет работу элемента EnergiCells пресс-релиз компании.

Инвестор поручил разобраться с изобретением учёного с мировым именем, Жан-Полю Бибериану (Jean-Paul Biberian), в активе у которого более 80 работ в сфере LENR (low-energy nuclear reactions, низкоэнергетических ядерных реакций). После экспертизы учёный заявил: «Технология способна обеспечить непрерывную работу, производя киловатты выходной энергии, при этом чистая выходная мощность в три раза превышает потребляемую».

По словам Тютиной, у компании есть несколько промышленных заказчиков, которые доверяют этой технологии и проявили интерес к оборудованию EnergiCell мощностью от 3 МВт до 8 ГВт. Раннее представители компании делали доклады на европейских конференциях по энергетике, заверяя коллег, что технология EnergiCell не имеет побочных последствий и не производит вредных выбросов. Эксплуатация энергетических объектов с установками EnergiCell будет не дороже эксплуатации электростанций на ископаемом топливе за исключением того, что топливо не придётся покупать. Установки производят электричество и тепло. Специальная настройка допускает генерацию водорода и кислорода.

На одном из последних семинаров генеральный директор Международного общества ядерных исследований конденсированных сред (ISCMNS) Алан Смит (Alan Smith), сказал: «Если бы мне пришлось делать ставку на то, какие компании LENR первыми выйдут на рынок, ENG8 вошла бы в число двух лучших».

«Наши автономные энергетические ячейки обладают потенциалом для децентрализации производства энергии, обезуглероживания экономики и снижения цен на энергоносители. Это не просто продукт; это кардинальный сдвиг в сторону создания более чистой и устойчивой энергетики и более справедливого мира», — заявили в компании.

https://3dnews.ru/1112729/hyas-v-kagdiy-dom-evropeyskaya-kompaniya-sovershila-proriv-v-poluchenii-holodnogo-termoyadernogo-sinteza

Пользователь Reddit с ником nhciao опубликовал серию художественных QR-кодов, созданных с использованием модели ИИ для синтеза изображений Stable Diffusion. Картинки, выполненные в стиле аниме и традиционного японского искусства, являются реальными QR-кодами и могут считываться смартфоном.

Stable Diffusion начала синтезировать музыку

В рамках проекта Riffusion разработчики развивают вариант системы машинного обучения Stable Diffusion для генерации музыки вместо изображений. Мелодии можно создавать как на основе предложенного шаблона, так и с помощью текстового описания на естественном языке.

Компоненты для синтеза музыки написали на языке Python с использованием фреймворка PyTorch. Связь с интерфейсом реализовали на языке TypeScript. Компоненты доступны под лицензией MIT.

Сама модель открыта под лицензией Creative ML OpenRAIL-M, допускающей использование в коммерческих целях.

Обновлённая модель использует для генерации музыки модели «из текста в изображение» и «из изображения в изображение», но в качестве изображений выступают спектрограммы. Они отражают изменение частоты и амплитуды звуковой волны во времени. Система на выходе формирует новую спектрограмму, которая затем преобразуется в звуковое представление.

Проект Riffusion также может использовать для изменения имеющихся композиций и синтеза музыки по образцу. Этот процесс работает по аналогии с модификацией изображений в Stable Diffusion. Так, при генерации могут задаваться образцы спектрограмм с эталонным стилем, комбинироваться разные стили, выполняться плавный переход от одного стиля к другому или вноситься изменения в существующий звук для увеличения громкости отдельных инструментов, изменение ритма и т.д.

Образцы можно использовать для генерации длительно играющих композиций, создаваемых из серии близких друг к другу отрывков, немного меняющихся во времени. Они объединяются в непрерывный поток при помощи интерполяции внутренних параметров модели.

Для создания спектрограммы используется оконное преобразование Фурье. Чтобы решить проблему с определением фазы, задействован алгоритм аппроксимации Гриффина-Лима.

В ноябре Stability AI сообщила о выпуске новой версии модели Stable Diffusion 2.0. В ней улучшили качество и повысили вариативность получаемых изображений.

На реддите разгорелся срач из за нейронок и ЦП

Изначально новость вышла arstechnica.com, аналитическое интернет-издание на английском языке, посвящённое информационным технологиям. В которой утверждалось следующие: 

«Как генеральные прокуроры наших штатов и территорий, мы глубоко и серьёзно обеспокоены безопасностью детей, находящихся под нашей юрисдикцией», — говорится в письме. «И хотя интернет-преступления против детей уже активно расследуются, мы обеспокоены тем, что ИИ создает новые границы для злоупотреблений, что затрудняет такое преследование».

В частности, технологии синтеза изображений с открытым исходным кодом, такие как Stable Diffusion, позволяют с легкостью создавать порнографию, генерируемую искусственным интеллектом, а вокруг инструментов и дополнений, расширяющих эту возможность, сформировалось большое сообщество . Поскольку эти модели ИИ общедоступны и часто используются локально, иногда нет никаких препятствий, мешающих кому-либо создавать сексуализированные изображения детей, и это вызвало тревогу у ведущих прокуроров страны. (Следует отметить, что Midjourney, DALL-E и Adobe Firefly имеют встроенные фильтры, запрещающие создание порнографического контента.)

«Создавать эти изображения стало проще, чем когда-либо, — говорится в письме, — поскольку каждый может загрузить инструменты ИИ на свой компьютер и создавать изображения, просто введя краткое описание того, что пользователь хочет видеть. И поскольку многие из этих инструментов ИИ имеют «открытый исходный код», инструменты можно запускать неограниченно и без контроля».
 На самом же реддите пользователи типично разделились на два лагеря. Первые утверждали что нейросети это зло, и их нужно запретить или ограничить доступ к ним. Другие же утверждали что нейросети это не более чем инструмент, и виновата не техногия, а кто и как eё использует. Примерно после 5 часов прибывания стати модераторы закрыли комменты и начали тереть комментарии.На момент написания этой стати у стати на реддите было 11к up. 

Инцидент, произошедший с фотографом Майлзом Астреем (Miles Astray) на премии 1839 Photography Awards подчеркивает продолжающуюся напряженность между традиционным искусством и искусством, созданным искусственным интеллектом.

Фотография фламинго, сделанная Астреем под названием “F L A M I N G O N E” изначально заняла первое место в категории искусственного интеллекта на конкурсе People's Vote Award и третье место в призах жюри. Его намерением было подчеркнуть непреходящую актуальность и эмоциональную глубину искусства, созданного руками человека, на фоне роста контента, создаваемого искусственным интеллектом.

Однако, обнаружив, что фотография не была создана искусственным интеллектом, организаторы конкурса дисквалифицировали Астрея и удалили его работу с сайта, подчеркнув важность соблюдения критериев категории для честной конкуренции. «В каждой категории есть отдельные критерии, которым должны соответствовать изображения участников», заявили организаторы конкурса. «Его работа не соответствовала требованиям для категории изображений, сгенерированных искусственным интеллектом. Мы понимаем, что в этом была суть, но не хотим помешать другим художникам выиграть в категории ИИ».

Несмотря на дисквалификацию, Астрей посчитал этот результат победой человеческого творчества и выразил надежду, что это приведет к большему признанию ценности искусства, созданного руками человека.

Осознающая себя нейросеть Midjourney научилась объединять картинки. Результаты шокируют!

Скоммунизженно отсюда:

Батонокоты и мемы-кроссоверы: нейросеть Midjourney научилась объединять два изображения — Жизнь на DTF

Там же инструкция как пользоваться. 

Вероятностное улучшение фотографий по нескольким пикселям: модель Google Brain

Пример работы нейросети после обучения на базе лиц знаменитостей. Слева — исходный набор изображений 8×8 пикселей на входе нейросети, в центре — результат интерполяции до 32×32 пикселей по предсказанию модели. Справа — реальные фотографии лиц знаменитостей, уменьшенные до 32×32, с которых были получены образцы для левой колонки

Можно ли повышать разрешение фотографий до бесконечности? Можно ли генерировать правдоподобные картины на основе 64 пикселей? Логика подсказывает, что это невозможно. Новая нейросеть от Google Brain считает иначе. Она действительно повышает разрешение фотографий до невероятного уровня.

Такое «сверхповышение» разрешения не является восстановлением исходного изображения по копии низкого разрешения. Это синтез правдоподобной фотографии, которая вероятно могла быть исходным изображением. Это вероятностный процесс.

Когда стоит задача «повысить разрешение» фотографии, но на ней нет деталей для улучшения, то задачей модели является генерация наиболее правдоподобного изображения с точки зрения человека. В свою очередь, сгенерировать реалистичное изображение невозможно, пока модель не создала контуры и не приняла «волевое» решение о том, какие текстуры, формы и паттерны будут присутствовать в разных частях изображения.

Для примера достаточно посмотреть на КДПВ, где в левой колонке реальные тестовые изображения для нейросети. На них отсутствуют детали кожи и волос. Их никоим образом невозможно восстановить традиционными способами интерполяции вроде линейной или бикубической. Однако если предварительной обладать глубокими знаниями о всём разнообразии лиц и их типичных очертаниях (и зная, что здесь нужно увеличить разрешение именно лица), то нейросеть способна совершить фантастическую вещь — и «нарисовать» недостающие детали, которые с наибольшей вероятностью будут там.

Специалисты подразделения Google Brain опубликовали научную работу «Рекурсивное пиксельное суперразрешение», в которой описывают полностью вероятностную модель, обученную на наборе фотографий высокого разрешения и их уменьшенных копиях 8×8 для генерации изображений размером 32×32 из маленьких образцов 8×8.

Модель состоит из двух компонентов, которые обучаются одновременно: кондиционная нейросеть (conditioning network) и приор (prior network). Первая из них эффективно накладывает изображение низкого разрешения на распределение соответствующих изображений высокого разрешения, а вторая моделирует детали высокого разрешения, чтобы сделать финальную версию более реалистичной. Кондиционная нейросеть состоит из блоков ResNet, а приор представляет собой архитектуру PixelCNN.

Схематично модель изображена на иллюстрации.

Кондиционная свёрточная нейросеть получает на входе изображения низкого разрешения и выдаёт логиты — значения, которые предсказывают кондиционную логит-вероятность для каждого пикселя изображения с высоким разрешением. В свою очередь, свёрточная нейросеть приор делает предсказания, основанные на предыдущих случайных предсказаниях (обозначены пунктирной линией на схеме). Вероятностное распределение для всей модели вычисляется как softmax-оператор поверх суммы двух наборов логитов с кондиционной нейросети и приора.

Но как оценить качество работы такой сети? Авторы научной работы пришли к выводу, что стандартные метрики типа пикового отношения сигнал/шум (pSNR) и структурного сходства (SSIM) не способны корректно оценить качество предсказания для таких задач сверхсильного увеличения разрешения. По этим метрикам выходит, что лучший результат — это размытые картинки, а не фотореалистичные изображения, на которых чёткие и правдоподобные детали не совпадают по месту размещения с чёткими деталями настоящего изображения. То есть эти метрики pSNR и SSIM крайне консервативны. Исследования показали, что люди легко отзличают реальные фотографии от размытых вариантов, созданных регрессионными методами, а вот отличить сгенерированные нейросетью образцы от реальных фотографий им не так просто.

Посмотрим, какие результаты показывает модель, разработанная в Google Brain и обученная на наборе 200 000 лиц знаменитостей (набор фотографий CelebA) и 2 000 000 спальных комнат (набор фотографий LSUN Bedrooms). Во всех случаях фотографии перед обучением системы были уменьшены до размера 32×32 пикселя, а потом ещё раз до 8×8 методом бикубической интерполяции. Нейросети на TensorFlow обучались на 8 графических процессорах.

Результаты сравнивались по двум основным базам: 1) независимая попиксельная регрессия (Regression) c архитектурой, похожей на нейросеть SRResNet, которая показывает выдающиеся результаты по стандартным метрикам оценки качества интерполяции; 2) поиск ближайшего соседнего элемента (NN), который ищет в базе учебных образцов пониженного разрешения наиболее схожее изображение по близости пикселей в евклидовом пространстве, а затем возвращает соответствующую картинку высокого разрешения, из которой был сгенерирован этот учебный образец.

Нужно заметить, что вероятностная модель выдаёт результаты разного качества, в зависимости от температуры softmax. Вручную было установлено, что оптимальные значения τ лежат между 1,1 и 1,3. Но даже если установить τ=1.2, то всё равно каждый раз результаты будут разными.

Различные результаты при запуске модели с температурой softmax τ=1.2

Оценить качестве работы вероятностной модели можете по образцам ниже:

Сравнение результатов по спальням

Сравнение результатов по лицам знаменитостей:

Для проверки реалистичности результатов учёные провели опрос черед краудсорсинг. Участникам показывали две фотографии: одну настоящую, а вторую сгенерированную различными методами из уменьшенной копии 8×8 и просили указать — какая фотография сделана камерой. 

Сверху в таблице — результаты для базы лиц знаменитостей, снизу — для спальных комнат. Как видим, при температуре τ = 1.2 на фотографиях спальных комнат модель показала максимальный результат: в 27,9% случаях её выдача оказалась более реалистичной, чем настоящее изображение! Это явный успех. 

На иллюстрации внизу — самые удачные работы нейросети, в которых она «побила» оригиналы по реалистичности. Для объективности — и некоторые из худших.

В области генерации фотореалистичных изображений с помощью нейросетей сейчас наблюдается очень бурное развитие. В 2017 году мы наверняка услышим много новостей на эту тему.

Взято с geektimes.

Огромная гравитационная линза позволила астрономам увидеть одно и то же событие в четырех разных местах

 

УЧЁНЫЕ НАУЧИЛИ РЫБУ ЗАПОМИНАТЬ ЧЕЛОВЕЧЕСКИЕ ЛИЦА И ПЛЕВАТЬ В НИХ

Для проведения опыта над аквариумом с рыбой закрепили влагозащищённый дисплей, на который выводились изображения человеческих лиц. Сначала рыбе показывали одно лицо, а затем – два. Из них она должна была выбрать того человека, которого видела в первый раз, и плюнуть в него, чтобы продемонстрировать свой выбор исследователям. Как у учёных получилось объяснить правила игры рыбе – не уточняется, но за каждый верный плевок брызгун получает награду в виде вкусного корма. 

Эксперимент доказал, что рыбы лучше всего воспринимают чёрно-белые изображения. В этом случае точность определения правильного лица равна 86%, тогда как при демонстрации цветных фотографий показатель снижается до 81%. Основной же целью исследования является изучение процесса распознавания животными человеческих лиц. Глядя на подобные эксперименты, на ум сразу приходит выражение: «Память у тебя как у золотой рыбки». Главное удержаться и не плюнуть в лицо тому, кто попытается так подшутить над нами. Ведь у рыб всё не так плохо с памятью, как доказали учёные.