Le SR3, nouvelle méthode d’augmentation de la définition des images de Google Brain, a pour originalité de bruiter l’image au maximum. Il inverse ensuite le procédé afin d’obtenir des images jusqu’à 4 fois mieux définies.
Le SR3, destruction créatrice d’images
Pas une semaine ne passe sans que l’entreprise ne fasse parler d’elle. Dans un article intitulé “Génération d’images haute fidélité à l’aide de modèles de diffusion”, l’équipe de Google Brain a ainsi partagé ses avancées dans le domaine de la définition d’images.
L’approche proposée par Google Brain est pour le moins contre-intuitive. Son algorithme analyse l’image de départ, puis va lui appliquer un filtre de bruit numérique d’intensité croissante, jusqu’à la faire disparaitre entièrement. Par cette opération, le programme va donc cartographier les variations des différentes zones de l’image.
Dès lors, une fois renseigné sur la façon dont a évolué l’image au cours de ce procédé de “destruction”, l’algorithme va effectuer l’opération inverse. Et partir du bruit numérique pour recréer l’image de départ, jusqu’à 4 fois mieux définie.
Des images générées par mots-clés
L’algorithme SR3 s’avère bien sûr utile en vue d’améliorer la qualité d’anciennes photos numériques. Mais elle est surtout pertinente concernant les travaux les plus avancés de Google. Notamment en ce qui concerne l’ambition du GAFAM de générer des bases de données d’image de haute définition.
Le SR3 permet ainsi à Google d’améliorer son procédé de création de photos réalistes et pourtant complètement artificielles. Nommé Class-Conditional ImageNet Generation (CDM), celui-ci peut en effet générer une image à partir d’un simple mot-clé.
De l’or pour les faussaires et le deep learning
Selon les chercheurs eux-mêmes, cette technologie pourrait être exploitée à des fins frauduleuses et de contrefaçons. Mais elle profite d’abord à des domaines tels que la compression d’image ou le deep learning. Si jusqu’alors ce dernier s’appuyait sur la méthode des “modèles génératifs profonds”, le SR3 pourrait bien bouleverser notre approche de l’apprentissage profond.
