Полезное: нейронные сети снимают цензуру с хентая

+7 926 604 54 63 address
 Увы, чтобы показать, как работает ИИ для обработки хентая, нужны хентайные картинки.
Увы, чтобы показать, как работает ИИ для обработки хентая, нужны хентайные картинки.

Чему только не учат искусственный интеллект! И предсказывать вероятность смерти, и анализировать ЭКГ, и подбирать фильмы под настроение. А теперь он вдобавок умеет снимать цензуру с хентая. Проект DeepMindBreak дорисовывает недостающие фрагменты картинки с помощью нейронных сетей. Пока программа находится в разработке и может не всё: например, не работает с чёрно-белыми изображениями. Но мы будем ждать и надеяться.

В основе DeepMindBreak — свёрточная нейронная сеть, которая реконструирует цензурированные участки изображения. Правда, пока простого графического интерфейса у программы нет — придётся ставить интерпретатор Python и несколько других компонентов. Чтобы воссоздать картинку, нужно выделить участок, закрытый цензурным блоком, в графическом редакторе, вырезать фрагмент с ним и поместить в отдельную папку, а затем — запустить программу. Нейронная сеть дорисует необходимое и сохранит результат в другую папку. Получившийся кусочек можно будет вставить в исходное изображение.

Сейчас возможности DeepMindBreak очень ограничены. Он не работает с чёрно-белыми и монохромными изображениями, с обычным порно и гифками и не справляется с картинками, закрытыми «мозаикой». Но скоро это, вероятно, исправят, а вы можете внести свою лепту. DeepMindBreak — проект с открытым исходным кодом. Скачать его можно на GitHub, там же есть ссылки на обученные модели.

Схема архитектуры модели
Схема архитектуры модели.
Проект DeepMindBreak родился не на пустом месте. Это творческая переделка разработок программистов Нарихиро Тады (Narihiro Tada) из Токио и Тони Шина (Tony Shin) из Оксфорда. Которые в свою очередь построены на основе работы исследователей из Университета Васэда (яп. 早稲田大学), Япония, опубликованной в 2017 году в журнале ACM Transaction on Graphics. Суть работы — создание метода машинного обучения, приводящего к возможности «дорисовать» неоконченное, частично закрытое маской или повреждённое изображение так, чтобы оно было локально и глобально завершённым. Коротко, в данном методе изображение параллельно анализируют две нейронные сети — локальный дикриминатор и глобальный дискриминатор. Их задача — выявить незавершённые или повреждённые участки. При этом глобальный дискриминатор анализирует весь изображённый контекст, а локальный сосредотачивается на участке с повреждением. Это позволяет затем нейросети-генератору с высокой точностью (гораздо более высокой, чем у предыдущих моделей аналогичного назначения) восстанавливать скрытые или утерянные элементы, не изображённые в других частях картинки, и правдоподобно дорисовывать высокоспециализированные визуальные структуры, такие как лица.

.
Комментарии