Камеры ночного видения преобразуют инфракрасный свет за пределами спектра, видимого человеку, в видимый свет, чтобы мы могли «видеть в темноте». Но эта инфракрасная информация позволяет построить только черно-белое изображение. Теперь искусственный интеллект может делать эти изображения цветными.
Эндрю Браун из Калифорнийского университета в Ирвине и его коллеги использовали камеру, которая может обнаруживать как видимый свет, так и часть инфракрасного спектра, чтобы сделать 140 изображений разных лиц. Затем команда обучила нейронную сеть обнаруживать корреляции между тем, как объекты выглядят в инфракрасном диапазоне, и их цветом в видимом спектре. После обучения ИИ мог предсказывать видимую окраску по чистым инфракрасным изображениям, даже если они изначально были сняты в полной темноте.
Браун считает, что со временем этот подход может стать чрезвычайно точным, хотя результаты и так уже трудно отличить от настоящих цветных изображений. «Я думаю, что эту технологию можно использовать для точной оценки цвета, если объем и разнообразие данных, используемых для обучения нейронной сети, достаточно велики для повышения точности», говорит он.
Но он признает, что объем его проекта ограничен изображениями лиц, и ИИ вряд ли когда-либо сможет раскрасить какое-либо изображение без обучения на похожих.
Адриан Хилтон из Университета Суррея, Великобритания, говорит, что ИИ – это идеальное решение для выявления любых корреляций между тем, что наблюдается в видимом спектре, и тем, что можно уловить в инфракрасном диапазоне. Однако он добавляет, что выбор цветов ИИ всегда будет лучшим предположением, а не точным выводом, основанным на доказательствах.
«Человеческие лица – это, конечно, очень ограниченная группа объектов. Это не сразу означает раскрашивание общей сцены», говорит он. «На данный момент, если вы примените ИИ, обученный на лицах, к другой сцене, он, вероятно, не сработает, он, вероятно, не сделает ничего толкового».
Хилтон также говорит, что тот же ИИ, обученный раскрашивать изображения фруктов только по инфракрасным изображениям, всегда будет обманут, например, случайным синим бананом, поскольку он изучит контекст из обучающих данных, которые включают несколько изображений желтых бананов.
