Mostan√°ban egyre t√∂bb vide√≥ l√°t napvil√°got, amelyeken egy nagyon r√©gi – rendszerint, t√∂bb, mint sz√°z √©ves – mozg√≥k√©pet l√°thatunk, 4K-s felbont√°sban, (majdnem) mai standardoknak megfelelŇĎen megsz√©p√≠tve. Kontextu√°lis szempontb√≥l ez egy rendk√≠v√ľl √©rdekes elj√°r√°s, hiszen az elm√ļlt √©vsz√°zad tud√°s√°t felhaszn√°lva pr√≥b√°lunk jobb k√©peket alkotni a m√©g t√°volabbi m√ļltunkr√≥l – de ugyanakkor egy f√∂l√∂tt√©bb √©rdekes g√©pi tanul√°si probl√©ma.

Here is the English version of this post

Di√≥h√©jban az elj√°r√°s a k√∂vetkezŇĎ: megmutatsz egy algoritmusnak sok-sok k√©pet arr√≥l, hogy hogy n√©z ki ma a vil√°gunk, megmutatsz n√©h√°ny (amennyit √∂ssze tudsz gyŇĪjteni) k√©pet arr√≥l, hogy n√©zett ki a vil√°gunk r√©gen √©s az algoritmus megpr√≥b√°lja rekre√°lni a modern k√©pek √©rz√©s√©t a r√©gi k√©peken (√©s a vide√≥ meg csak k√©pek l√°ncolata).

Tal√°n a legkiemelkedŇĎbb alakja ennek a ter√ľletnek Denis Shiryaev, ŇĎ k√©sz√≠tette az Arrival of a Train at La Ciotat restaur√°l√°s√°t, 1896-b√≥l (egyike az elsŇĎ mozg√≥ k√©peknek) √©s A Trip Through New York City-t, 1911-bŇĎl. Denis le√≠rja az elj√°r√°sait, de csak √∂tlet szintj√©n, √©s mindenki, aki egy picit j√°rtas a t√©m√°ban, sejti, hogy t√∂bb l√©p√©sbŇĎl √°ll a teljes elj√°r√°s. De sebaj, elkezdtem keresg√©lni r√©gi Budapest felv√©telek ir√°nt √©s m√°r meg is volt a k√∂vetkezŇĎ h√©tv√©gi projektem… De m√©g mielŇĎtt m√©lyebben elmer√ľl√ľnk a r√©szletekben, emelem ūüĎí-om Denis elŇĎtt: mert v√©g√ľl ez naaagyon hossz√ļ √©s neh√©z folyamat volt.

ūüďĹ Forr√°svide√≥k

Hamar r√°d√∂bbentem, hogy a projekt tal√°n legnagyobb kih√≠v√°sa a megfelelŇĎ j√≥ minŇĎs√©gŇĪ forr√°svide√≥k felkutat√°sa lesz. Denis restuar√°l√°sai gy√∂ny√∂rŇĪek, nem utols√≥ sorban az√©rt, mert j√≥ minŇĎs√©gŇĪ forr√°svide√≥kat haszn√°l – melyek sokszor m√°r manu√°lisan restaur√°lva voltak egyszer. De persze nagys√°grendekkel nehezebb BudapestrŇĎl √©s a magyar √∂r√∂ks√©grŇĎl r√©gi vide√≥kat tal√°lni, mint mondjuk P√°rizsr√≥l (min√©l r√©gebbit szerettem volna). V√©g√ľl meg√°llapodtam n√©h√°ny (r√∂vid √©s √°ltal√°ban rossz minŇĎs√©gŇĪ) BudapestrŇĎl √©s Erd√©lyrŇĎl forgatott klipen. Itt tal√°n √©rdemes megjegyeznem, hogy a filmez√©s a 20 sz√°zad elŇĎrehalad√°s√°val kar√∂ltve alakult ki, teh√°t a k√©sŇĎ 19. √©s korai 20. sz√°zadi felv√©telek nagys√°grendekkel rosszabb minŇĎs√©gŇĪek, mint mondjuk az 1940 ut√°niak.

Miut√°n tudatos√≠tottam a kih√≠v√°s m√©rt√©k√©t √©s kiv√°lasztottam a legkor√°bbi vide√≥kat, amiket tal√°ltam, egy 7-l√©p√©ses elj√°r√°st √°ll√≠tottam fel. A teljes elj√°r√°st, forr√°sk√≥d√≥kkal egy√ľtt ebben a mapp√°ban megtal√°lod (ebben a rep√≥ban is t√ľkr√∂zve van, de a vide√≥f√°jlok itt nincsenek duplik√°lva). Megpr√≥b√°ltam az eg√©sz folyamatot Google Colab munkaf√ľzetekben v√©gezni, amennyire csak lehetett. Elm√©letileg, te is megpr√≥b√°lhatod reproduk√°lni a l√©p√©seket √©s a padl√°son tal√°lt poros filmszalagokat restaur√°lhatod (digitaliz√°l√°suk ut√°n) ūüėé.

  1. Budapest 1896-ban, tal√°n a valaha r√∂gz√≠tett elsŇĎ mozg√≥k√©p Magyarorsz√°gon, a¬†Lumi√®re fiv√©rek, a mozg√≥k√©p feltal√°l√≥i az 1896-os Millenniumi D√≠szfelvonul√°sr√≥l k√©sz√≠tett√©k, csak egy √©vvel a technol√≥gia 1895-√∂s sz√ľlet√©se ut√°n
  2. Budapest 1916-ban, az elsŇĎ magyar dokumentumfilm
  3. Budapest 1925-ben, (talán) a Magyar Híradó 54. száma
  4. Budapest 1927-ben, r√©szlet a holland Land en volk van Hongarije filmbŇĎl
  5. Budapest a 1930-as években, a British Pathé felvétele
  6. Tal√°n a legkor√°bbi mozg√≥k√©p Kolozsv√°rr√≥l, 1930-b√≥l – amatŇĎr felv√©tel
  7. Erdélyi kivonatok, a Világhíradó adásból, 1941-1943 között
  8. A Sz√©kelyf√∂ldet √©s Erd√©lyt √°tszelŇĎ vas√ļtvonal √©p√≠t√©s√©rŇĎl sz√≥l√≥ dokumentumfilm az 1940-es √©vekbŇĎl

ūüéČ Az eredm√©ny

ūüé† A folyamat

A teljes folyamat neve √∂regetlen√≠t√©s (deoldifying) √©s t√∂bb l√©p√©sbŇĎl tevŇĎdik √∂ssze. Ezek nem f√∂lt√©tlen√ľl az elŇĎ√≠rt l√©p√©sek, vagy a sorrendj√ľk, egyszerŇĪen √©n √≠gy jutottam el a folyamat v√©g√©re – val√≥sz√≠nŇĪleg j√≥csk√°n lehet a v√©gsŇĎ minŇĎs√©gen jav√≠tani m√©g t√∂bb k√≠s√©rletezget√©ssel. Ami viszont fontos, hogy ez egy automatikus folyamat, a mesters√©ges intelligencia √©s a g√©pi tanul√°si elj√°r√°sok elŇĎrehalad√°sa teszi ezt lehetŇĎv√©, csak 2019-2020 √≥ta (egyes algoritmusok olyan “forr√≥k”, hogy m√©g nem is voltak tudom√°nyos cikkben vagy konferenci√°n bemutatva). Persze ez a folyamat val√≥sz√≠nŇĪleg sokkal egyszerŇĪbb √©s gyorsabb lesz majd n√©h√°ny √©v m√ļlva, de most itt tartunk. Nekem szem√©lyesen, gŇĎz√∂m sincs hogyan kell r√©gi felv√©teleket restaur√°lni, csak szeretek k√≥ddal j√°tszadozni ūü§ď.¬†

0. ElŇĎk√©sz√ľletek

Lem√°solhatod a teljes mapp√°mat, de ha frissen szeretn√©d kezdeni, akkor hozz l√©tre egy dolgoz√≥ mapp√°t, √©s ebben egy raw nevŇĪ almapp√°t. A legjobb eredm√©nyek√©rt haszn√°lj mp4 form√°tumot a forr√°svide√≥kn√°l.

Ugyanakkor az eg√©sz folyamatot futtathatod a felhŇĎben, tal√°n Google Colab-on vagy hasonl√≥n, mert a legt√∂bb norm√°lis felbont√°s√ļ vide√≥n√°l (>640×480), legal√°bb 16GB grafikus mem√≥ria sz√ľks√©ges (GPU RAM), ami t√∂bb, mint a legt√∂bb asztali grafikus k√°rtya mem√≥ri√°ja. Ja igen, mindenk√©ppen sz√ľks√©ged lesz egy grafikus processzorra (GPU). Ha t√∂bb graikus k√°rty√°d van p√°rhuzamosan k√∂tve, akkor >40GB GPU RAM-al k√©nyelmesen elboldogulsz. A Jupyter munkaf√ľzetek, amiket a mapp√°mban tal√°lsz √ļgy lettek kialak√≠tva, hogy f√©rjenek bele Google Colab GPUk (Nvidia Tesla P100, ha szerencs√©s vagy) 16GB-os mem√≥ria-limitj√©be – de ez sokszor a m√©ret cs√∂kkent√©s√©vel j√°r ūüėź. Mindegyik munkaf√ľzet elsŇĎ cell√°ja megmondja milyen GPU kapt√°l a GoogletŇĎl. Az Nvidia compute cloud-out is kipr√≥b√°lhatod.

A munkaf√ľzetekben a Google Drive-ot haszn√°ltam a f√°jlok t√°rol√°s√°ra. A m√°sodik cella mindig a a saj√°t Google Drive-od csatolja a Colab munkaf√ľzethez – a Google’s hivatalos folyamat√°t k√∂vetve. Egy egy√©ni kulcsot kell beillessz √©s ezt a l√©p√©st minden munkaf√ľzet eset√©ben meg kell ism√©telned.

1. Stabiliz√°l√°s

Az elsŇĎ l√©p√©s a vide√≥k stabiliz√°l√°sa. A r√©gi felv√©telek mindig r√°zk√≥dnak √©s ez nem j√≥ minŇĎs√©gŇĪ bemenet az algoritmusoknak. A megval√≥s√≠t√°shoz Adam Spannbauer vidstab algoritmus√°t haszn√°ltam. K√∂vesd a l√©p√©seket a 1_stabilize munkaf√ľzetben. Az v√©grehajt√°s ut√°n az 1 nevŇĪ mapp√°ban tal√°lod a stabiliz√°lt vide√≥kat. A vidstab nem v√©gzi a legjobb munk√°t a k√ľl√∂nb√∂zŇĎ sz√≠nhelyek k√∂z√∂tti √°tmenetek eset√©ben, de most megteszi.

2. Felnagyítás

A m√°sodik l√©p√©s a vide√≥ felnagy√≠t√°sa (upscale). Eml√©kszel m√©g a 90-es √©vek akci√≥filmjeiben hogyan nagy√≠tj√°k a pixeles biztons√°gi kamer√°s felv√©teleket? Na ez gyakorlatilag lehetetlen volt – eg√©szen mostanig. Az√©rt mert amikor r√°k√∂zel√≠t√ľnk valamire, akkor az √ļj, keletkezŇĎ pixeleket ki kell valamilyen m√≥don sz√≠nezni. A bevett technika az interpol√°l√°s lenne – de ez persze egy nagyon elmos√≥dott k√©pet eredm√©nyez. De g√©pi tanul√°ssal felismerhetj√ľk a k√©pen megjelenŇĎ fŇĎbb von√°sokat, alakokat, √©p√ľleteket (features) – √©s √≠gy hat√©konyabban ki tudjuk az √ļj pixeleket t√∂lteni.

Ennek a lépésnek a végrehajtására kép opciónk van:

  • A 2_upscale munkaf√ľzet seg√≠ts√©g√©vel a mapp√°b√≥l – ez a¬†VaporSynth algoritmust futtatja, az AlphaAtlas-t√≥l, ellenben el√©gg√© neh√©z r√°venni, hogy elinduljon..
  • A m√°sik opci√≥ a Topaz Video Enhance AI, aTopaz Labs-t√≥l. Ez egy √∂n√°ll√≥ program, ami Windows oper√°ci√≥s rendszeren fut – a trial verzi√≥ elegendŇĎ ehhez a projekthez.

Ha elk√©sz√ľlt√©l, akkor a felnagy√≠tott vide√≥kat helyezd a 2-es mapp√°ba. Ha Topaz-t haszn√°lt√°l (mint √©n), megtarthatod az automatikus f√°jlneveket.

3. √Ėregetlen√≠t√©s

A k√∂vetkezŇĎ l√©p√©s a monokr√≥m vide√≥k mesters√©ges kisz√≠nez√©se √©s a maszatok, foltok kijav√≠t√°sa – amennyire csak lehets√©ges. Ehhez¬†Jason Antic DeOldify algoritmus√°t haszn√°ljuk – √©s innen v√°lasztottam a nev√©t a teljes elj√°r√°snak: √∂regetlen√≠t√©s (deoldify). Ahhoz, hogy ezt a l√©p√©st le tudd futtatni, fel kell t√∂ltsd a feldolgozand√≥ vide√≥kat a YouTube-ra √©s el kell mentened a vide√≥-linkeket. Ezut√°n a 3_deoldify munkaf√ľzet seg√≠ts√©g√©vel hajthatod v√©gre a √∂regetlen√≠t√©st. Az √©n tapasztalatom szerint a render_factor legjobb √©rt√©ke 10-15 k√∂z√∂tt van. ha elk√©sz√ľlt√©l, a munkaf√ľzet felt√∂lti az √∂regetlen√≠tett, kisz√≠nezett vide√≥kat a 3-as mapp√°ba.

4. ElŇĎk√©sz√≠t√©s

A k√∂vetkezŇĎ l√©p√©s az √ļjrah√≠v√°s (remastering) – hasonl√≥ ahhoz a folyamathoz, amit a r√©gi filmszalagok manu√°lis restaur√°l√°s√°n√°l k√∂vetn√©l. De ebben az esetben term√©szetesen mindent automatikusan v√©gz√ľnk, g√©pi tanul√°s seg√≠ts√©g√©vel. Az √ļjrah√≠v√°s eltŇĪnteti a maszatokat, porfoltokat √©s ki√©g√©seket a r√©gi felv√©telrŇĎl.

Ehhez Satoshi Iizuka DeepRemaster algoritmus√°t haszn√°ljuk. De mivel ez egy √°tviteli tanul√°sos (transfer learning) algoritmus, elŇĎsz√∂r kell mutassunk neki n√©h√°ny j√≥ p√©ld√°t arr√≥l, hogy az √ļjrah√≠vott vide√≥ hogyan kellene kin√©zzen. Ezek egy mapp√°ban t√°rolt (ide√°lis esetben kisz√≠nezett) k√©pek a vide√≥ egyes jeleneteirŇĎl, ahol nincs t√ļl sok hiba a felv√©telen. Ezeket term√©szetesen manu√°lisan is elk√©sz√≠theted – √©s a legjobb eredm√©nyek √©rdek√©ben ez az aj√°nlott m√≥dszer – de most ezt a l√©p√©st is automatiz√°ljuk:

  • Az elsŇĎ l√©p√©s ebben a folyamatban a jelenetfelismer√©s (scene detection). Ehhez Brandon Castellano pyscenedetect algoritmus√°t alkalmazzuk. Ez az algoritmus a vide√≥ban jelenetv√°ltoz√°sokat detekt√°l √©s felszabdalja azt a k√ľl√∂nb√∂zŇĎ jelenetekre. Ezut√°n minden jelenetrŇĎl k√©sz√≠t n√©h√°ny reprezentat√≠v lenyomatot. Hajtsd v√©gre a jelenetfelismer√©st mind az √∂regetlen√≠t√©s elŇĎtt √©s ut√°n is – teh√°t a 2-es √©s 3-az mappa √∂sszes f√°jlaira. A jeleneteket az algoritmus mindk√©t mapp√°ban egy scenes nevŇĪ almapp√°ba menti. Amikor a jelenetfelismer√©s v√©get √©rt, f√©s√ľld √°t a scenes mapp√°t, √©s v√°lassz ki n√©h√°ny j√≥l kin√©zŇĎ, reprezentat√≠v jelenetet, ahol tiszta a k√©p √©s m√°sold √°t ezeket a¬†goodscenes almapp√°ba, mind a¬†2-es √©s 3-as mappa eset√©ben. Ehhez az 4a_scene_detection munkaf√ľzetet haszn√°lhatod.
  • Ezut√°n, mivel az √ļjrah√≠v√°shoz sz√≠nes jelenetk√©pek sz√ľks√©gesek, ki kell sz√≠nezn√ľnk ŇĎket. Ezt √ļjra megtehetn√©nk manu√°lisan, de most automatiz√°ljuk az elj√°r√°st. ElŇĎsz√∂ris, ha helyesen v√©gezted az √∂regetlen√≠t√©st, akkor a 3-as mapp√°ban m√°r kellene legyen egy sor sz√≠nes jelenet. De most hozzunk l√©tre egy m√°sodik szett kisz√≠nezett jelenetet is, egy m√°sik sz√≠nezŇĎ algoritmus seg√≠ts√©g√©vel. Ehhez Richard Zhang ideepcolorelj√°r√°s√°t (vagy ezt az alternat√≠v√°t) haszn√°ljuk. √Čs mivel ez is egy √°tviteli tanul√°sos algoritmus, kell v√°lasztanunk egy sz√≠np√©ld√°t minden vide√≥hoz. Ehhez egy mostan√°ban k√©sz√ľlt fot√≥ra van sz√ľks√©g√ľnk, amelyen valami olyasmi van, mint ahogyan a vide√≥ legreprezentat√≠vabb r√©sz√©ben szeretn√©nk, hogy a sz√≠nek kin√©zzenek. Ennek a p√©ld√°nak a sz√≠n-√∂sszet√©tel√©t (color composition, histogram) fogja az algoritmus r√°vinni a sz√≠nezetlen jelenetekre. Miut√°n minden vide√≥hoz kiv√°lasztottad a sz√≠np√©ld√°t, t√∂ltsd fel a 2/goodscenes mapp√°ba, √©s nevezd el ugyan√ļgy, mint a vide√≥, csak .png kiterjeszt√©ssel. Teh√°t ha az eredeti klip c√≠me bp1.mp4 (meg tal√°n n√©h√°ny felnagy√≠tott v√°ltozata), akkor nevezd a sz√≠np√©ld√°t bp1.png-nek. Futtasd le a 4b_ideepcolor munkaf√ľzetet. Ez l√©trehozza a 4-es mapp√°t √©s k√©t almapp√°t:
    • colorzed_auto – ide rakjuk majd a vakon, automatikusan sz√≠nezett k√©peket
    • colorized_ref – ide pedig az √°tviteli tanul√°ssal, a sz√≠np√©lda felhaszn√°l√°s√°val sz√≠nezetteket
  • V√©g√ľl pedig √∂ssze kell hozzuk az √∂sszes sz√≠nezett jelenetet vide√≥nk√©nt egyetlen k√∂z√∂s mapp√°ba, ehhez futtasd le a 4c_prepare munkaf√ľzetet.

5. Újrahívás

Most minden k√©szen √°ll az √ļjrah√≠v√°shoz. Ne feledd, Satoshi Iizuka DeepRemaster algoritmus√°t haszn√°ljuk. Mivel ez egy √°tviteli tanul√°sos algoritmus (transfer learning), meg kell adnunk egy mapp√°t, ahol hib√°tlan, kisz√≠nezett jeleneteket mutatunk, mint p√©lda az algoritmusnak¬†– ezt hoztuk l√©tre a fenti folyamattal. Futtasd le az 5_remaster munkaf√ľzetet, hogy v√©grehajtsd az √ļjrah√≠v√°st. A folyamat v√©g√©n az5, 5b, 5c mapp√°k j√∂nnek l√©tre – az√©rt, mert a vide√≥ t√∂bb verzi√≥j√°n v√©grehatjuk az √ļjrah√≠v√°st: sz√≠nezetlen √©s¬† √∂regetlen√≠t√©ssel sz√≠nezett verzi√≥kon egyar√°nt. Itt fontos megjegyezni, hogy lehets√©ges, hogy a vide√≥k felbont√°s√°t cs√∂kkenteni kell, mert ez egy nagyon mem√≥ria√©hes l√©p√©s. Az √©n tapasztalatom szerint, az √∂regetlen√≠tett vide√≥k jobban szolg√°lnak forr√°svide√≥k√©nt (teh√°t a 3-as mappa), tal√°n egy 12-es¬† render_factor-ral.

6. √Čles√≠t√©s

A k√∂vetkezŇĎ l√©p√©s a vide√≥ √©les√≠t√©se (deblur √©s nem sharpen!). Ez nagyon hasonl√≥ a felnagy√≠t√°shoz, √©s ugyan√ļgy m√©ly neuronh√°l√≥kat haszn√°lunk a k√©p karakterisztikus elemeinek a felismer√©s√©re √©s √ļjrarajzol√°s√°ra, √©les√≠t√©s√©re. Erre jelenleg a legjobban mŇĪk√∂dŇĎ elj√°r√°s Minyuan Ye SIUN algoritmusa, amit a¬†6_deblur munkaf√ľzetben futtathatsz. A folyamat v√©g√©n egy szimmetrikus strukt√ļr√°t kapunk: az 5, 5b, 5c bemeneti mapp√°k eredm√©nyei a6, 6b, 6cmapp√°kban lesznek elmentve.

7. Interpol√°l√°s

V√©g√ľl pedig, mivel a r√©gi felv√©telek √°ltal√°ban alacsonyabb k√©pkocka-sebess√©gen (framerate, frames per second, fps) futnak, mint a mai vide√≥k (√©s persze ez sokszor nem egyenletes, √©s az operatŇĎr k√©z√ľgyess√©g√©tŇĎl f√ľgg√∂tt ūüėÄ), sz√ľks√©ges a k√©pkock√°k k√∂z√∂tti interpol√°l√°s, a k√©pkocka-sebess√©g¬† n√∂vel√©s√©nek √©rdek√©ben. Ez egy nagyon gyorsan v√°ltoz√≥ ter√ľlet, de jelenleg erre a feladatra a legjobb eszk√∂z messze Bao Wendo DAIN algoritmusa – ez egy h√°rom dimenzi√≥s modellt √©p√≠t az egyes jelenetek k√∂r√© √©s √≠gy a m√©lys√©g-inform√°ci√≥ kisz√°m√≠t√°s√°val szuper minŇĎs√©gŇĪ interpol√°l√°st v√©gez. Ellenben nekem sajnos nem siker√ľlt a saj√°t vide√≥imon alkalmaznom ezt az algoritmust (b√°r a p√©ldavide√≥kon t√∂k√©letesen mŇĪk√∂dik – UPDATE: √ļgy n√©z ki, hogy van egy verzi√≥ Windows-ra), ez√©rt musz√°j volt egy alternat√≠v√°t keressek. V√©g√ľl Shurui Gui √©s Chaoyue Wang FeatureFlowalgoritmus√°t haszn√°ltam, amit a 7_interpolate munkaf√ľzetben tal√°lsz. Ak√°rcsak az elŇĎzŇĎ l√©p√©sn√©l, itt is egy szimmetrikus mappa-strukt√ļra az eredm√©ny:¬†7, 7b, 7c. Ak√°rcsak az √ļjrah√≠v√°sn√°l, n√©ha itt is sz√ľks√©ges cs√∂kkenteni a felbont√°st a feldolgoz√°s elŇĎtt – ezek a f√°jlok ker√ľlnek az alap√©rtelmezett nevek al√° a 7, 7b, 7c mapp√°kba, m√≠g a feldolgozott vide√≥k a _Sedraw v√©gzŇĎd√©st kapj√°k. Az elj√°r√°s v√©g√©n a vegsŇĎ vide√≥kat az 8, 8b, 8c mapp√°kba mozgatjuk. Ha nincs felbont√°s-cs√∂kkent√©sre sz√ľks√©g, akkor a 7, 7b, 7c mapp√°k √ľresen maradnak (val√≥sz√≠nŇĪleg csak a 7b mapp√°ban tal√°lsz f√°jlokat, mivel a t√∂bbi vide√≥t m√°r az √ļjrafeldolgoz√°s l√©p√©sn√©l lekicsiny√≠tett√ľk).

ūüŹĀ Befejez√©s

Befejez√©sk√©ppen, mielŇĎtt felt√∂lten√©d a munk√°dat a YouTube-ra, haszn√°lhatsz egy vide√≥szerkesztŇĎ szoftvert, hogy megmutasd a k√ľl√∂nbs√©geket – √©n a ny√≠lt forr√°sk√≥d√ļ OpenShot-ot haszn√°ltam. √Čs ha gondolod, hogy seg√≠t, tal√°n √ļjra lefuttathatod a Topaz-t, hogy tov√°bb nagy√≠tsd a vide√≥dat, de t√ļldolgozottnak tŇĪnhet majd.

  • raw – eredeti forr√°svide√≥k
  • 1 – stabiliz√°lt
  • 2 – felnagy√≠tott
  • 3 – sz√≠nezett deoldify-al
  • 4 – jelenetekre bontva 2 √©s 3
  • Innen a f√°jlok sz√°ma sokszoroz√≥dik:
    • file1 – stabiliz√°lt, felnagy√≠tott
    • file1_12 – stabiliz√°lt, sz√≠nezett deoldify-al, render_factor=12
    • file1_21 – stabiliz√°lt, sz√≠nezett deoldify-al, render_factor=21
  • 5 – √ļjrah√≠vott, cs√∂kkentett felbont√°s√ļ (hogy belef√©rjen a mem√≥ri√°ba), √ļjrasz√≠nezett ideepcolor-al
  • 5b – √ļjrah√≠vott, eredeti m√©ret
  • 5c – √ļjrah√≠vott, cs√∂kkentett felbont√°s√ļ
  • Innen 5 ‚Üí 6, 5b ‚Üí 6b, ... szab√°ly √©rv√©nyes
  • 6, 6b, 6c – √©les√≠tett
  • 7, 7b, 7c – tov√°bb cs√∂kkentett, ha sz√ľks√©ges az interpol√°l√°shoz
  • 7req – az interpol√°l√°shoz sz√ľks√©ges modellf√°jlok
  • 8, 8b, 8c – interpol√°lt, befejezett

√Čs ennyi! Megtanultad hogyan tudsz automatikusan r√©gi vide√≥kat restaur√°lni, mesters√©ges intelligencia seg√≠ts√©g√©vel, 7 m√©ly neuronh√°l√≥s g√©pi tanul√°si algoritmust alkalmazva. Jelezd kommentben ha sikeresen alkalmaztad saj√°t vide√≥n, vagy ha van egy szuper javaslatod forr√°svide√≥ra!

  •  
  •  

Csala Dénes

adatblogger

1 hozzászólás

Molnar Szabolcs · 2020-03-23 - 21:34

Bocs√°nat a paraszts√°gom√©rt, alapj√°ratban nem vagyok ilyen, de ami√≥ta koronav√≠rus √©s home working, gyakorlatilag 14-16 √≥r√°t vagyok netre k√∂tve s m√©gse haladok semmivel…

M√©g nem volt idŇĎm sz√≥r√≥l-sz√≥ra v√©gig olvasni a cikket, de az volna a k√©rd√©sem, hogy ezek a ipynb f√°jlok valami futtathat√≥ f√°jlok? Addig eljutottam Googlez√©ssel, hogy Python, de a Python tud√°som a Hello word szintj√©ig fejlesztettem. Sz√≥val m√©gjobban leegyszerŇĪs√≠tve a k√©rd√©st, kell valami programot let√∂ltsek, hogy tudjam haszn√°lni az algoritmusokat?

Hogy egy kicsit dicsekedjek. Ide s tova 8 √©ve vagyok sz√ľlŇĎfalum, Als√≥s√≥falva kr√≥nik√°sa az online t√©rben: https://www.alsosofalva.eu/ Sose k√©rt√©k, sose fizettek √©rte egy banit se, sz√≥val full √∂nk√©ntes munka…

√Čs van egy vide√≥m 1995-√∂s felv√©tel a falur√≥l, √©s erŇĎs kiv√°ncsi vagyok, hogy mit lehet kihozni belŇĎle:

Köszönet a válaszért és köszönet a cikkért is, ismételten csak annyit tudok mondani, hogy bár több Csala Dénes lenne az erdélyi online térben!

Hozzászólás a(z) Molnar Szabolcs bejegyzéshez Kilépés a válaszból