Ozan Ercan
Massachusetts Teknoloji Enstitüsü’nden bir grup araştırmacı, görüntülerden kaybolan ayrıntıları kurtarmanın ve videolarda hareketli bulanık parçaların net kopyalarını yaratmanın bir yolunu geliştirdi. Bu yöntem için, görsel yönden çıkarma modeli olarak adlandırılan sistem evrişimli bir nörolojik sinir ağı algoritması kullanılıyor.
Araştırmacılar makine öğrenme teknolojisini kullanarak ağı düşük kalitede görseller ve aynılarının yüksek kaliteli olanlarıyla eğitmeyi başardılar. Böylece algoritma, bulanık görsellerden detay kurtarabilir hale geldi.
Sisteme daha önce görmediği yeni düşük kalitede bulanık videolar verilince öncelikle bulanıklığın neden kaynaklanmış olabileceğini analiz ediyor. Ardından, videonun hem daha net hem de bulanık bölümlerinden verileri birleştirerek ortaya yeni görüntüler çıkartıyor. Diyelim ki arka bahçenizde kameranızın görüntülediği hareket eden ama bulanık görünen bir şey var. Yapay Zeka, bu videodaki hareketin kaynaklarını açıkça gösteren bir sürümünü oluşturmak için veri üretip objeyi netleştirmeyi deniyor.
Ekibin testleri sırasında, sistem belirli bir kişinin yürüyüşünü, büyüklüğünü ve bacaklarının pozisyonunu gösteren bir videonun 24 karesini yeniden oluşturabildi.
Yeni Teknoloji, Önce Sağlık Sektöründe Kullanılacak
Araştırmacılar teknolojiyi öncelikle medikal alanda kullanabilmek için geliştirmek istiyorlar. X-ışınları gibi 2 boyutlu görüntüleri, bilgisayarlı tomografi taramaları gibi daha fazla bilgi ile 3 boyutlu görüntülere dönüştürmek için kullanılabileceğine inanıyorlar. 3 boyutlu taramalar oldukça masraflı ve bu, gelişmekte olan ülkeler için iyi bir fırsat.
Massachusetts Teknoloji Enstitüsü Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı’ndan araştırma makalesinin baş yazarı olan Guha Balakrishna, konu hakkında bazı açıklamalarda bulundu.
X-ışınlarının bilgisayarlı tomografi taramalarına dönüştürülebilmesinin ezberleri bozacağını ifade eden araştırmacı; sadece bir X-ışınını algoritmaya kaydedip kaybolan tüm verileri inceleyebileceklerini dile getirdi.
Böyle bir şey (verilen tanıma bağlı olarak) olamaz. Şöyle ki:
Bir fotoğrafı çektiğiniz zaman sensör kendisine ulaşan “ışığı” kaydeder. Gereğinden çok pozlama yapılan alanlarda kurtarılabilecek görüntü bölümü yoktur. Gereğinden düşük pozlama yapılan alanlarda da aynı şey geçerlidir.
Fakat dijital negatif (.raw, .nef, .dng vs) çektiyseniz artı ve/veya eksi pozlamaya maruz kalmış alanlardan veri kurtarabilirsiniz (eksi pozlamalı alanlarda bu daha kolaydır). Ama bu demek değildir ki siz hiç kaydedilmemiş alandan veri kurtarıyorsunuz. Yaptığınız iş dijital negatifte zaten var olan bölümü nispeten görünür hale getirmektir.
Haberde ise “kaybolan, yok olan” bölümlerin/ayrıntıların geri getirilmesinden söz ediliyor. Zaten olmayan bölümü geri getiremezsiniz, sadece uydurursunuz, eklersiniz. Ve bu bir “fotoğraf” değil “manipüle edilmiş” görüntüdür, ortada manipülasyon yani sonradan ekleme, sonradan uydurma var demektir.
Ayrıca fotoğrafla uğraşanlar bunu yıllardan beri yapıyorlar zaten… Elimizde bu tür şeyleri gerçekleştirmek için yetkin programlar var. Yani biz insanlar bunu zaten yapıyoruz (hem de harika şekilde) ve zaten yaptığımız bir şey için program icat etmeye, yapay zekaya teslim olmaya hiç gerek yok.
Ama tekrar söyliyeyim ki sonuçta elimizde bir fotoğraf olmaz, manipüle edilmiş görüntü olur…
Dijital fotoğrafçılığa geçişle birlikte "fotoğraf"ın tanımlamasını bilmeyenler işi karıştırmaya, tanımı aslından uzaklaştırmaya başladı…