Борьба с пикселями или как Upscaling на основе автокодировщика возводил

Привет, сетка!🔥

Автокодировщики в свое время наделали шуму. И ведь действительно, чтобы что-то адекватное выходило из шума ... А, вы не знаете? Тогда чуть теории. Автокодировщик состоит из кодировщика и декодировщика (coder и decoder соответственно). Первый максимально (в рамках ТЗ, датасета и прочих факторов) сжимает векторное представление в так называемое латентное пространство (тот самый шум), а декодировщик всеми силами пытается восстановить из него то, что было. Ну и как обычно это бывает в ML, теория о декодировщиках гуляла аж с 1985 года в работе Дэвида Румельхарта, Джеффри Хинтона и Роберта Уильямса (Роберт вообще очень значимая фигура в мире машинного обучения и нейросетей).

В моем блокноте представлен сравнительно небольшой автокодировщик (в рамках ограничений бесплатной среды Google Colab), который увеличивает качество изображения. Конечно же, профессиональные Upscaling модели имеют больше слоев, больше датасет, больше всего. Но и в рамках бесплатной среды результаты, как говорится, на лицо. Прошу: https://github.com/Vadiman728/Upscaling-with-autoencoder

Так же меня просматривает много HR-ов, ребята, я в поиске, если что, то вот портфолио: https://github.com/Vadiman728 и резюме: https://docs.google.com/document/d/1rwxm7UInrR8o3FpTLww96O11an0Wy3ye/edit

Спасибо за внимание #ml #ai #machinelearning