Корисне: нейронні мережі знімають цензуру з хентая

На жаль, щоб показати, як працює ШІ для обробки хентая, потрібні хентайні картинки.

Чого тільки не вчать штучний інтелект! І передбачати ймовірність смерті, і аналізувати ЕКГ, і підбирати фільми під настрій. А тепер він на додачу вміє знімати цензуру з хентая. Проект DeepMindBreak домальовує відсутні фрагменти картинки за допомогою нейронних мереж. Поки програма знаходиться в розробці і може не все: наприклад, не працює з чорно-білими зображеннями. Але ми будемо чекати і сподіватися.

У основі DeepMindBreak - згорткова нейронна мережа, яка реконструює цензуровані ділянки зображення. Правда, поки простого графічного інтерфейсу у програми немає - доведеться ставити інтерпретатор Python і кілька інших компонентів. Щоб відтворити картинку, потрібно виділити ділянку, закритий цензурним блоком, у графічному редакторі, вирізати фрагмент з ним і помістити в окрему теку, а потім - запустити програму. Нейронна мережа домалює необхідне і збереже результат в іншу папку. Отриманий шматочок можна вставити у вихідне зображення.

Зараз можливості DeepMindBreak дуже обмежені. Він не працює з чорно-білими і монохромними зображеннями, зі звичайним порно і гіфками і не справляється з картинками, закритими «мозаїкою». Але скоро це, ймовірно, виправлять, а ви можете внести свою лепту. DeepMindBreak - проект з відкритим вихідним кодом. Завантажити його можна на GitHub, там же є посилання на навчені моделі. Схема архітектури моделі. Проект DeepMindBreak народився не на порожньому місці. Це творча халепа програмістів Наріхіро Тади (Narihiro Tada) з Токіо і Тоні Шина (Tony Shin) з Оксфорда. Які в свою чергу побудовані на основі роботи дослідників з Університету Васеда (яп. 早稲田大学), Японія, опублікованої в 2017 році в журналі ACM Transaction on Graphics. Суть роботи - створення методу машинного навчання, що призводить до можливості «домалювати» незакінчене, частково закрите маскою або пошкоджене зображення так, щоб воно було локально і глобально завершеним. Коротко, в даному методі зображення паралельно аналізують дві нейронні мережі - локальний дикримінатор і глобальний дискримінатор. Їхнє завдання - виявити незавершені або пошкоджені ділянки. При цьому глобальний дискримінатор аналізує весь зображений контекст, а локальний зосереджується на ділянці з пошкодженням. Це дозволяє потім нейромережі-генератору з високою точністю (набагато вищою, ніж у попередніх моделей аналогічного призначення) відновлювати приховані або загублені елементи, не зображені в інших частинах картинки, і правдоподібно домальовувати високоспеціалізовані візуальні структури, такі як особи.

https://22century.ru/wp-content/uploads/2018/05/completion_sig2017.mp4