Deep Learning: Schwarz-weiß-Photos bunt färben (mit Caffe)

Auf Hackernoon gebt es den interessanten Artikel »Colorising Black & White Photos using Deep Learning« von Harshvardhan Gupta, der über eine neue Methode berichtet, wie man (alte) Schwarz-Weiß-Photos (die ja im Gegensatz zu ihrem Namen Graustufenbilder sind) mit Hilfe neuronaler Netzwerke und statistischer Verlustfunktionen zu glaubwürdigen Farbphotos umwandeln kann. Dabei wird als Verlustfunktion eine gewichtete Kreuzentropie bemüht, die Gewichte werden vom neuronalen Netzwerk »gelernt«. Aus praktischen Gründen wurde der LAB-Farbraum gewählt, da L praktischerweise alle Graustufen enthält und so der Input für das neuronale Netzwerk bildet, das daraus dann die A- und B-Koordinatenebenen des Farbraums (re-) konstruiert (A sind die Rot-Grün- und B die Balu-Gelb-Parameter). Eine gute, deutschsprachige Einführung in den LAB-Farbraum gibt es bei Tante Heise.

Der Artikel von Harshvardhan Gupta basiert auf einem wissenschaftlichen Paper der University of California, Berkley mit dem Titel »Colorful Image Colorization« von Richard Zhang, Phillip Isola und Alexei A. Efros. Die Ergebnisse sind eindrucksvoll und können auf der Website des Projekts besichtigt werden. Hier gibt es auch einen Link zum GitHub-Repo und dort lernen wir, daß dies mit Python (Jupyter) und dem freien (BSD-Lizenz) Deep-Learning-Framework Caffe realisiert wurde. Dies ist in C++ geschrieben, besitzt eine Python-/Jupyter-API und soll wahnsinnig schnell sein. Ich sollte mir Caffe mal genauer anschauen.

(Kommentieren)