Les graphistes spécialisés dans la retouche et la restauration de photos abîmées (il y en a) ont du souci à se faire : une IA développée par NVIDIA s’apprête à les mettre au chômage. Quand les outils classiques de restauration de Photoshop et autres tentent d’utiliser le plus intelligemment possible les pixels adjacents pour recréer de la matière – avec plus ou moins de succès – le système de NVIDIA, fondé sur l’apprentissage profond, analyse l’image et s’avère capable non seulement de retirer des éléments mais aussi de recréer ceux qui manquent.

Outre le retrait efficace d’éléments gênants dans un cadre comme un pont ou un drapeau (voir la vidéo) qui existe déjà dans Photoshop mais offre des résultats parfois discutables, la grande nouveauté apportée par le système de NVIDIA est l’ajout d’éléments manquants… à partir de rien. Ou plutôt sans l’utilisation des informations adjacentes aux zones vides, la technique traditionnelle des outils de restauration. Pour être aussi efficace, ce programme d’apprentissage profond (deep learning) a été entraîné par les chercheurs de NVIDIA à analyser de grosses bases de données de photos. Non seulement des clichés normaux, mais aussi des milliers de variantes abîmées ou pas, de manière à ce que l’IA apprenne ce qui compose un visage, un bâtiment ou un insecte par exemple.

Si les résultats ne sont pas tous parfaits, la pertinence de ce programme qui utilise la puissance du module de calcul professionnel NVIDIA Tesla V100 est tout bonnement impressionnante : l’IA recrée des yeux, un nez, et même des cheveux de manière extrêmement convaincante.

Loin de menacer réellement les photographes, à qui on demande une représentation du réel, ce genre de programme pourrait cependant mettre à mal le business des retoucheurs et autres restaurateurs de photos : vu la pertinence de l’IA de NVIDIA, ce n’est plus qu’une question de mois avant que les algorithmes ne dépassent les humains, en vitesse comme en pertinence.

Cet article a été importé d’un feed RSS, cliquez-ici pour voir l’article original