Arazoa
Gizakiei erraza iruditzen zaiena — "gai nagusia" argazki batena — harrigarriro konplexua da ordenagailuentzat. Irudi bat koloretako pixelen sareta bat besterik ez da. Ez dago berezko etiketarik "pixel hau pertsona da" eta "pixel hau haien atzean dagoen horma da."
Ikuspegi tradizionalek koloreen atalasea (kolore jakin bateko pixel guztiak kendu) edo ertzak hautematea (objektuen arteko mugak aurkitu) bezalako teknikak erabiltzen zituzten. Hauek kasu sinpleetarako funtzionatzen zuten baina huts egin zuten eszena konplexuekin, gaiaren eta hondoaren arteko antzeko koloreekin edo xehetasun korapilatsuekin.
Sartu Machine Learning
AI atzeko planoak kentzeak ikasketa sakona erabiltzen du, zehazki, irudiak segmentatzeko ereduak. Hona hemen funtzionamenduaren bertsio sinplifikatua:
1. Prestakuntza
Neurona-sare bati milioika irudi erakusten zaizkio, non gaia eskuz identifikatu den (etiketatuta). Denborarekin, ereduak ikasten ditu ereduak: pertsonak nolakoak diren, objektuak nola moldatzen diren, subjektuak atzealdeetatik nola desberdintzen diren. Ertzak, ehundurak eta testuingurua ezagutzen ikasten du.
2. Inferentzia (eredua erabiliz)
Prestatutako ereduari inoiz ikusi ez duen irudi berri bat ematen diozunean, pixelen datuak aztertzen ditu eta "maskara" — pixel bakoitzari lehen planoa (gaia) edo atzeko planoa izateko probabilitatea esleitzen dion mapa. Konfiantza handiko lehen planoko pixelak mantentzen dira; konfiantza handiko atzeko planoko pixelak kentzen dira.
3. Ertzak maneiatzea
Lehen planoaren eta atzeko planoaren arteko trantsizioa funtsezkoa da. Eredu modernoek ertz bigunak sortzen dituzte (gardentasun partziala) ebaki bitar gogorrak baino. Horrek itxura naturaleko emaitzak sortzen ditu, batez ere ertz konplexuen inguruan.
Zergatik GPUak garrantzitsuak dira
Sare neuronalek irudiak prozesatzen dituzte milaka eragiketa matematikoren bidez aldi berean. GPUak (Graphics Processing Unit) konputazio paralelo mota honetarako diseinatuta daude. CPU batean 30 segundo behar izan ditzakeen zeregin bat 2-3 segundotan osa daiteke GPU batean.
Horregatik, QuickRemove bezalako tresnek NVIDIA, AMD eta Intel GPUen GPU azelerazioa onartzen dute. AI eredua zure GPUan exekutatzen da zuzenean prozesatzeko. GPU bateragarririk ez badago erabilgarri, softwarea PUZaren prozesamendura itzultzen da; oraindik funtzionatzen du, denbora gehiago behar du.
Zertan AI ona den
- Pertsonak eta erretratuak - hau da erabilera kasurik ohikoena, eta ereduak ondo trebatuta daude
- Animaliak eta maskotak - modeloek ondo maneiatzen dituzte ile eta animalien formak
- Produktuak eta objektuak — ondo definitutako objektuak muga argiekin
- Ibilgailuak: autoak, bizikletak eta antzeko objektuak
- Atzeko plano konplexuak - AIak gaiak bereiz ditzake atzealde lanpetu eta zehatzetatik
AIren erronkak
- Objektu gardenak: beira, ura eta beste material ikusgarriak zailak dira (QuickRemove-k manipulazio berezia dakar horretarako)
- Koloreen antzekotasuna: gaia eta atzeko planoa kolorez oso antzekoak direnean, mugak detektatzen zailagoak dira
- Eszena oso konplexuak: hainbat gai gainjarri edo lehen plano/atzealde anbiguoa
Postprozesatzea
AIak hasierako maskara sortu ondoren, osteko prozesamenduak emaitza hobetzen du. QuickRemove bezalako tresnek eskaintzen dute:
- Ertz-lumak — gaiaren eta atzeko planoaren arteko trantsizioa leuntzen du
- Leuntzea — ertz zikintuak murriztea
- Koloreen deskontaminazioa — jatorrizko hondoko kolorea gaiaren ertzetan isurtzen den kolorea kentzea
- Eskuzko pintzela/borragoma: zuzenketa finak egiteko, baliteke AIak galtzea
Beheko lerroa
AI atzeko planoa kentzea segundotan kalitate profesionaleko emaitzak lortzen dituen puntu batera iritsi da. Eszenatoki guztietan perfektua ez den arren, ohiko erabilera-kasu gehienak zehaztasun ikaragarriz kudeatzen ditu - atzeko planoa kentzea guztiontzat eskuragarri dago, ez Photoshop-eko adituek soilik.