24 декабря 2023 г. Архивач восстановлен после серьёзной аварии. К сожалению, значительная часть сохранённых изображений и видео была потеряна.
Подробности случившегося. Мы призываем всех неравнодушных
помочь нам с восстановлением утраченного контента!
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. https://github.com/deeppomf/DeepMindBreak
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.