Ang Problema
Ang daw yano sa mga tawo — pag-ila sa "panguna nga hilisgutan" sa usa ka litrato - katingad-an nga komplikado alang sa mga kompyuter. Ang usa ka imahe usa lamang ka grid sa mga kolor nga pixel. Walay tag-iya nga label nga nag-ingon nga "kini nga pixel mao ang tawo" ug "kini nga pixel mao ang bungbong sa likod nila."
Ang tradisyonal nga mga pamaagi migamit ug mga teknik sama sa color thresholding (kuhaa ang tanang pixel sa usa ka kolor) o edge detection (pangita og mga utlanan tali sa mga butang). Kini nagtrabaho alang sa yano nga mga kaso apan napakyas sa komplikado nga mga eksena, parehas nga mga kolor tali sa hilisgutan ug background, o makuti nga mga detalye.
Pagsulod sa Machine Learning
Ang modernong AI nga pagtangtang sa background naggamit ug lawom nga pagkat-on — partikular, mga modelo sa pagbahinbahin sa imahe. Ania ang gipasimple nga bersyon kung giunsa kini molihok:
1. Paghanas
Ang usa ka neural network gipakita sa milyon-milyon nga mga imahe diin ang hilisgutan nahibal-an na sa mano-mano (gimarkahan). Sa paglabay sa panahon, ang modelo nakakat-on sa mga sumbanan: unsa ang hitsura sa mga tawo, kung giunsa ang mga butang giporma, kung giunsa ang mga hilisgutan lahi sa mga background. Nakakat-on kini sa pag-ila sa mga ngilit, mga panapton, ug konteksto.
2. Inference (Paggamit sa Modelo)
Kung hatagan nimo ang nabansay nga modelo og bag-ong imahe nga wala pa niya makita kaniadto, analisa niini ang data sa pixel ug maghimo usa ka "mask" - usa ka mapa nga naghatag sa matag pixel usa ka posibilidad nga mahimong foreground (subject) o background. Ang taas nga pagsalig sa foreground pixel gitipigan; ang mga pixel sa background nga adunay taas nga pagsalig gitangtang.
3. Pagdumala sa Edge
Ang pagbalhin tali sa foreground ug background hinungdanon. Ang modernong mga modelo makamugna ug humok nga mga ngilit (partial transparency) kay sa gahi nga binary cut. Naghimo kini og natural nga tan-awon nga mga resulta, labi na sa palibot sa komplikado nga mga sulud.
Ngano nga Importante ang mga GPU
Ang mga neural network nagproseso sa mga imahe pinaagi sa liboan nga mga operasyon sa matematika nga dungan. Ang mga GPU (Graphics Processing Units) gidisenyo para sa eksakto niining matang sa parallel computation. Ang usa ka buluhaton nga mahimong 30 segundos sa usa ka CPU mahimong makompleto sa 2-3 segundos sa usa ka GPU.
Mao kini ang hinungdan nga ang mga himan sama sa QuickRemove nagsuporta sa pagpadali sa GPU gikan sa NVIDIA, AMD, ug Intel GPUs. Ang modelo sa AI direkta nga nagdagan sa imong GPU alang sa paspas nga pagproseso. Kung wala'y magamit nga katugbang nga GPU, ang software mobalik sa pagproseso sa CPU - kini molihok gihapon, mas dugay.
Unsa ang Maayo sa AI
- Mga tawo ug mga hulagway — kini ang labing kasagaran nga kaso sa paggamit, ug ang mga modelo nabansay pag-ayo niini
- Mga mananap ug binuhi — ang mga modelo maayo nga nagdumala sa mga balhibo ug mga porma sa hayop
- Mga produkto ug mga butang — maayo nga gihubit nga mga butang nga adunay tin-aw nga mga utlanan
- Mga sakyanan — mga sakyanan, bisikleta, ug susamang mga butang
- Komplikado nga mga background — ang AI mahimong magbulag sa mga hilisgutan gikan sa busy, detalyado nga background
Mga hagit alang sa AI
- Ang mga transparent nga butang — bildo, tubig, ug uban pang mga materyal nga makita nga malisud (QuickRemove naglakip sa espesyal nga pagdumala alang niini)
- Pagkaparehas sa kolor — kung ang hilisgutan ug background parehas kaayo sa kolor, ang mga utlanan mas lisud mahibal-an
- Grabe ka komplikado nga mga eksena — daghang nagsapaw-sapaw nga mga hilisgutan o dili klaro nga foreground/background
Post-Pagproseso
Human makamugna ang AI sa inisyal nga maskara, ang post-processing nagdalisay sa resulta. Mga himan sama sa QuickRemove nga tanyag:
- Edge feathering — pagpahumok sa transisyon tali sa subject ug background
- Smoothing — pagkunhod sa jagged sulab
- Color decontamination — pagtangtang sa color spill diin ang orihinal nga kolor sa background nagdugo sa mga kilid sa subject
- Manwal nga brush/eraser — para sa maayong mga pagtul-id mahimong masipyat sa AI
Ang Ubos nga Linya
Ang pagtangtang sa background sa AI nakaabot sa usa ka punto diin kini nagpatunghag propesyonal nga kalidad nga mga resulta sa mga segundo. Bisan kung dili kini perpekto sa matag senaryo, gidumala niini ang kadaghanan sa kasagarang mga kaso sa paggamit nga adunay katingad-an nga katukma - gihimo ang pagtangtang sa background nga ma-access sa tanan, dili lamang sa mga eksperto sa Photoshop.