De ‘zoomen en verbeteren’-trofee is een cliché op tv, maar dankzij de vooruitgang op het gebied van AI wordt het nu langzaam werkelijkheid. Onderzoekers hebben aangetoond dat machinaal leren beelden met een lage resolutie kan vergroten, waardoor de scherpte wordt hersteld die er eerder niet was. Nu vindt deze technologie zijn weg naar de consument, met beeldbewerker Pixelmator als een van de eersten die een dergelijke functie biedt.
De Photoshop-concurrent kondigde vandaag aan wat het “ML Super Resolution” noemt voor de $ 60 Pro-versie van zijn software: een functie die volgens het bedrijf een afbeelding tot drie keer de oorspronkelijke resolutie kan schalen zonder beelddefecten zoals pixelatie of onscherpte.
Na onze tests zouden we zeggen dat deze claim een paar voorbehouden behoeft. Maar over het algemeen zijn de prestaties van de superresolutiefunctie van Pixelmator indrukwekkend.
Pixelvorming wordt gladgestreken in een reeks afbeeldingen, van illustratie tot fotografie tot tekst. De resultaten zijn beter dan die van traditionele upscaling-algoritmen, en hoewel het proces niet ogenblikkelijk is (het duurde ongeveer acht seconden per afbeelding op onze 2017 MacBook Pro), is het snel genoeg om een zegen te zijn voor ontwerpers en beeldbewerkers van alle rangen. Er zijn enkele voorbeelden hieronder van Pixelmator, met een ingezoomde afbeelding met lage resolutie aan de linkerkant, en de verwerkte ML Super Resolution-afbeelding aan de rechterkant:
U kunt meer afbeeldingen bekijken op de blog van Pixelmator, inclusief vergelijkingen met traditionele opschalingstechnieken zoals de Bilinear-, Lanczos- en Nearest Neighbor-algoritmen. Hoewel ML Super Resolution geen toverstokje is, levert het wel consistent indrukwekkende resultaten.
Onderzoek naar superresolutie is al enige tijd gaande, met tech-bedrijven zoals Google en Nvidia die de afgelopen jaren hun eigen algoritmen hebben gemaakt. In elk geval wordt de software getraind op een dataset die paren van lage-resolutie en hoge-resolutie beelden bevat. Het algoritme vergelijkt deze gegevens en maakt regels voor hoe de pixels van beeld tot beeld veranderen. Wanneer het vervolgens een lage-resolutie afbeelding te zien krijgt die het nog nooit eerder heeft gezien, voorspelt het welke extra pixels nodig zijn en voegt ze in.
Pixelmator’s makers vertelden The Verge dat hun algoritme vanaf nul is gemaakt om lichtgewicht genoeg te zijn om op de apparaten van gebruikers te draaien. Het is slechts 5MB groot, vergeleken met onderzoeksalgoritmen die vaak 50 keer groter zijn. Het is getraind op een reeks afbeeldingen om te anticiperen op de verschillende behoeften van gebruikers, maar de trainingsdataset is verrassend klein – slechts 15.000 monsters waren nodig om Pixelmator’s ML Super Resolution-tool te maken.
Het bedrijf is niet de eerste die deze technologie commercieel aanbiedt. Er zijn een aantal single-use superresolutie tools online, waaronder BigJPG.com en LetsEnhance.io. In onze tests was de uitvoer van deze sites van een meer gemengde kwaliteit dan die van Pixelmator (hoewel hij over het algemeen goed was), en gratis gebruikers kunnen slechts een klein aantal afbeeldingen verwerken. Adobe heeft ook een superresolutiefunctie uitgebracht, maar de resultaten zijn, opnieuw, minder dramatisch.
Over het geheel genomen lijkt Pixelmator de beste commerciële superresolutietool te bieden die we hebben gezien (laat het ons weten in de commentaren als je een betere kent), en elke dag wordt “zoomen en verbeteren” minder een grap.
Correctie: Een eerdere versie van dit verhaal bevatte vergelijkingen tussen afbeeldingen die niet-destructief waren gedownsized en vervolgens upscaled met behulp van Pixelmator’s ML Super Resolution, wat resulteerde in onrealistisch verbeterde resultaten. Deze zijn verwijderd. Wij betreuren de fout.