Si vous avez à peu près mon âge, je suis sûr que vous avez un tas de photos de vos parents et grands-parents qui ont connu des jours meilleurs (les photos, pas vos ancêtres). Quoi qu’il en soit, vous pouvez désormais récupérer ces impressions anciennes, rayées, froissées et déchirées et les restaurer sans aucune connaissance préalable de Photoshop.
Un réseau de neurones appelé GFP-GAN (Generative Facial Prior-Generative Adversarial Network) restaure vos photos anciennes et endommagées avec une vitesse et une précision impressionnantes. Mais comme tous les outils basés sur l’IA, celui-ci présente également des inconvénients. Alors, regardons les bons et les mauvais et voyons ce qu’il a à offrir.
Louis Bouchard a attiré notre attention sur l’outil dans un article de blog qu’il a écrit à ce sujet. Bien sûr, il existe également un document de recherche dans lequel vous pouvez en savoir plus sur ce modèle. En bref, lorsque vous ajoutez votre image à GFP-GAN, cela crée simplement un deviner du visage d’une personne sur la photo. Cependant, dans la majorité des cas, ils semblent sacrément proches de l’image d’origine.
L’IA essaie de comprendre ce qu’il y a sur la photo, puis ajoute des pixels ou comble les lacunes. Contrairement à d’autres modèles similaires, GFP-GAN se concentre sur des traits faciaux importants comme les yeux et la bouche. Enfin, il y a une comparaison de l’image résultante avec l’original pour voir s’il y a toujours la même personne dans les deux – ce qui nous amène à l’une des plus grandes faiblesses de la technologie.
Les méthodes de restauration d’image conventionnelles utilisent différentes technologies pour recréer des images endommagées ou floues et en créer de nouvelles. Cependant, cela se traduit souvent par des images de mauvaise qualité. GFP-GAN utilise une version pré-formée d’un modèle existant (StyleGAN-2 de NVIDIA) pour informer le propre modèle de l’équipe à plusieurs étapes du processus de génération d’images. C’est pourquoi l’identité des personnes sur les photos reste préservée.
Néanmoins, le souligne certaines faiblesses de l’approche. Les images résultantes peuvent parfois ne pas être très nettes, certaines sorties ne sont pas naturelles et il y a toujours un léger changement d’identité possible. Nous ne pouvons tout simplement pas être sûrs que l’image reconstruite sera la même que l’originale, c’est impossible. « L’image ressemblera à notre grand-père si nous avons la chance », dit Louis, « mais elle peut tout aussi bien ressembler à un parfait inconnu. » Bien que les résultats soient néanmoins remarquables, c’est quelque chose à garder à l’esprit lorsque vous utilisez des outils d’IA comme celui-ci. Si vous souhaitez tester GFP-GAN, vous le trouverez sur GitHub.
[via Engadget]
