Как работи мащабирането с изкуствен интелект

Как работи мащабирането с изкуствен интелект?

Кратък отговор: Мащабирането с изкуствен интелект работи чрез обучение на модел върху сдвоени изображения с ниска и висока резолюция, след което се използва за предвиждане на правдоподобни допълнителни пиксели по време на мащабирането. Ако моделът е виждал подобни текстури или лица по време на обучението, той може да добави убедителни детайли; ако не, може да „халюцинира“ артефакти като ореоли, восъчна кожа или трептене във видеото.

Ключови изводи:

Прогноза : Моделът генерира правдоподобни детайли, а не гарантирана реконструкция на реалността.

Избор на модел : CNN са по-стабилни; GAN могат да изглеждат по-отчетливи, но рискуват да измислят нови функции.

Проверки за артефакти : Внимавайте за ореоли, повтарящи се текстури, „почти букви“ и пластмасови лица.

Стабилност на видеото : Използвайте времеви методи, или ще видите трептене и отклонение кадър по кадър.

Използване с висок залог : Ако точността е от значение, разкрийте обработката и третирайте резултатите като илюстративни.

Как работи мащабирането с изкуствен интелект? Инфографика.

Вероятно сте го виждали: едно мъничко, хрупкаво изображение се превръща в нещо достатъчно ясно, за да се отпечата, стриймва или пусне в презентация, без да се нахвърли вниманието. Усеща се като измама. И - в най-добрия смисъл - донякъде е 😅

И така, как работи мащабирането с изкуствен интелект (AI Upscaling) се свежда до нещо по-специфично от „компютърът подобрява детайлите“ (вълнообразна ръчна извивка) и по-близо до „модел предсказва правдоподобна структура с висока резолюция въз основа на модели, които е научил от много примери“ ( Deep Learning for Image Super-resolution: A Survey ). Тази стъпка на предсказване е цялата игра - и затова мащабирането с изкуствен интелект може да изглежда зашеметяващо... или малко пластмасово... или като на котката ви, на която са пораснали бонус мустаци.

Статии, които може да ви харесат след тази:

🔗 Как работи изкуственият интелект
Научете основите на моделите, данните и изводите в изкуствения интелект.

🔗 Как се учи изкуственият интелект
Вижте как данните за обучение и обратната връзка подобряват производителността на модела с течение на времето.

🔗 Как изкуственият интелект открива аномалии
Разберете базовите линии на моделите и как изкуственият интелект бързо сигнализира за необичайно поведение.

🔗 Как изкуственият интелект предсказва тенденции
Разгледайте методи за прогнозиране, които забелязват сигнали и предвиждат бъдещо търсене.

Как работи мащабирането с изкуствен интелект: основната идея, с ежедневни думи 🧩

Мащабирането означава увеличаване на разделителната способност: повече пиксели, по-голямо изображение. Традиционното мащабиране (като бикубичното) основно разтяга пикселите и изглажда преходите ( бикубична интерполация ). Добре е, но не може да създаде нови детайли - просто интерполира.

Мащабирането с изкуствен интелект се опитва да направи нещо по-смяло (известно още като „суперрезолюция“ в света на изследванията) ( Дълбоко обучение за свръхрезолюция на изображения: Проучване ):

  • Разглежда входа с ниска резолюция

  • Разпознава шарки (ръбове, текстури, черти на лицето, текстови щрихи, тъкане на тъканите...)

  • би трябвало да изглежда версия с по-висока резолюция

  • Генерира допълнителни пикселни данни, които отговарят на тези модели

Не „възстановяване на реалността перфектно“, по-скоро „направете силно правдоподобно предположение“ ( Image Super-Resolution Using Deep Convolutional Networks (SRCNN) ). Ако това ви звучи леко подозрително, не грешите - но това е и причината да работи толкова добре 😄

И да, това означава, че мащабирането с изкуствен интелект е по същество контролирана халюцинация... но по продуктивен, пикселно-зачитащ начин.

Какво прави една версия на мащабирането на изкуствен интелект добра? ✅🛠️

Ако оценявате AI upscaler (или предварително зададена настройка), ето какво е най-важно:

  • Възстановяване на детайли без препичане.
    Доброто мащабиране добавя хрупкавост и структура, а не хрупкав шум или фалшиви пори.

  • Дисциплина по ръбовете
    Чистите линии си остават чисти. Лошите модели карат ръбовете да се клатят или да поникват ореоли.

  • Текстурен реализъм
    Косата не трябва да се превръща в щрих с четка. Тухлата не трябва да се превръща в повтарящ се шаблон.

  • Работа с шум и компресия
    Много от ежедневните изображения се обработват с JPEG до смърт. Добрият upscaler не усилва тези щети ( Real-ESRGAN ).

  • Разпознаване на лица и текст
    Лицата и текстът са най-лесните места за забелязване на грешки. Добрите модели се отнасят към тях внимателно (или имат специализирани режими).

  • Последователност между кадрите (за видео).
    Ако детайлите трептят кадър по кадър, очите ви ще крещят. Мащабирането на видеото живее или умира от времевата стабилност ( BasicVSR (CVPR 2021) ).

  • Контроли, които имат смисъл.
    Искате плъзгачи, които съответстват на реални резултати: премахване на шум, размазване, премахване на артефакти, задържане на зърнистост, повишаване на рязкостта... практичните неща.

Едно тихо правило, което важи: „най-доброто“ мащабиране често е това, което едва забелязвате. Просто изглежда сякаш сте имали по-добра камера още в началото 📷✨

Сравнителна таблица: популярни опции за мащабиране на изкуствен интелект (и за какво са полезни) 📊🙂

По-долу е дадено практическо сравнение. Цените са умишлено размити, защото инструментите варират в зависимост от лиценза, пакетите, разходите за изчисления и всички тези забавни неща.

Инструмент / Подход Най-добро за Ценова атмосфера Защо работи (приблизително)
Усъвършенстващи устройства за настолни компютри в стил Topaz ( Topaz Photo , Topaz Video ) Снимки, видео, лесен работен процес Платено Силни общи модели + много тунинг, обикновено „просто работят“… най-вече
Функции тип „Super Resolution“ на Adobe ( Adobe Enhance > Super Resolution ) Фотографи, които вече са в тази екосистема Абонамент-y Реконструкция с солидни детайли, обикновено консервативна (по-малко драматична)
Real-ESRGAN / варианти на ESRGAN ( Real-ESRGAN , ESRGAN ) Направи си сам, разработчици, пакетни задачи Безплатно (но отнема много време) Страхотно за детайлност на текстурата, може да е пикантно на лицето, ако не внимавате
Режими на мащабиране, базирани на дифузия ( SR3 ) Творческа работа, стилизирани резултати Смесени Може да създава великолепни детайли - също така може да измисля глупости, така че... да
Ускорители за игри (в стил DLSS/FSR) ( NVIDIA DLSS , AMD FSR 2 ) Игри и рендериране в реално време В пакет Използва данни за движение и научени априори - плавна производителност 🕹️
Услуги за мащабиране в облака Удобство, бързи победи Плащане при ползване Бързо + мащабируемо, но търгувате с контрол, а понякога и с финес
Видео-фокусирани AI ъпскейлери ( BasicVSR , Topaz Video ) Стари кадри, аниме, архиви Платено Временни трикове за намаляване на трептенето + специализирани видео модели
Мащабиране на „смарт“ телефон/галерия Небрежна употреба Включено Леки модели, настроени за приятен резултат, а не за перфекционизъм (все още удобни)

Признание за странност при форматирането: „Платено“ върши много работа в тази таблица. Но разбирате идеята 😅

Голямата тайна: моделите научават картографиране от ниска към висока резолюция 🧠➡️🖼️

В основата на повечето мащабирания на ИИ е система за контролирано обучение ( Image Super-Resolution Using Deep Convolutional Networks (SRCNN) ):

  1. Започнете с изображения с висока резолюция („истината“)

  2. Даунсемплирай ги до версии с ниска резолюция („входните“)

  3. Обучете модел, за да реконструирате оригиналната висока резолюция от ниската резолюция

С течение на времето моделът научава корелации като:

  • „Този ​​вид размазване около окото обикновено е свързано с миглите“

  • „Този ​​пикселен клъстер често показва серифен текст“

  • „Този ​​градиент на ръба изглежда като линия на покрива, а не като случаен шум“

Не става въпрос за запомняне на конкретни изображения (в простия смисъл), а за изучаване на статистическа структура ( Дълбоко обучение за изображения със свръхрезолюция: Проучване ). Мислете за това като за изучаване на граматиката на текстурите и ръбовете. Не е поетична граматика, по-скоро като... граматика на ръководството за IKEA 🪑📦 (тромава метафора, но достатъчно близо).

Основните принципи: какво се случва по време на извод (когато мащабирате) ⚙️✨

Когато подадете изображение към AI upscaler, обикновено има такъв конвейер:

  • Предварителна обработка

    • Преобразуване на цветово пространство (понякога)

    • Нормализиране на стойностите на пикселите

    • Разделете изображението на парчета, ако е голямо (проверка на реалността на VRAM 😭) ( хранилище Real-ESRGAN (опции за плочки) )

  • Извличане на характеристики

    • Ранните слоеве откриват ръбове, ъгли, градиенти

    • По-дълбоките слоеве откриват модели: текстури, форми, лицеви компоненти

  • Реконструкция

    • Моделът генерира карта на характеристиките с по-висока резолюция

    • След това го преобразува в действителен пикселен изход

  • Пост-обработка

    • Допълнително заточване

    • Опционално премахване на шум

    • Опционално потискане на артефакти (звънене, ореоли, блокова структура)

Един фин детайл: много инструменти мащабират плочките, след което сливат шевовете. Страхотните инструменти скриват границите на плочките. Някои инструменти оставят слаби следи от мрежа, ако присвиете очи. И да, ще присвиете очи, защото хората обичат да разглеждат малки несъвършенства с 300% увеличение като малки гремлини 🧌

Основните семейства модели, използвани за мащабиране на ИИ (и защо се усещат различно) 🤖📚

1) Суперрезолюция, базирана на CNN (класическият работен кон)

Конволюционните невронни мрежи са чудесни за локални модели: ръбове, текстури, малки структури ( Image Super-Resolution Using Deep Convolutional Networks (SRCNN) ).

  • Плюсове: бърз, стабилен, по-малко изненади

  • Недостатъци: може да изглежда малко „обработено“, ако се натисне силно

2) GAN-базирано мащабиране (в стил ESRGAN) 🎭

GAN (генеративно-състезателни мрежи) обучават генератор да създава изображения с висока резолюция, които дискриминаторът не може да различи от реалните ( генеративно-състезателни мрежи ).

  • Плюсове: впечатляващи детайли, ефектна текстура

  • Недостатъци: може да се измислят подробности, които не са били там - понякога грешни, понякога зловещи ( SRGAN , ESRGAN )

GAN може да ви даде тази изумителна рязкост. Тя може също така да придаде на портретния ви обект допълнителна вежда. Така че... изберете си битките 😬

3) Дифузионно-базирано мащабиране (креативният заместител) 🌫️➡️🖼️

Дифузионните модели премахват шума стъпка по стъпка и могат да бъдат насочвани за получаване на детайли с висока резолюция ( SR3 ).

  • Плюсове: може да бъде изключително добър в правдоподобните детайли, особено за творческа работа

  • Недостатъци: може да се отклони от оригиналната идентичност/структура, ако настройките са агресивни ( SR3 )

Тук е мястото, където „ъпскейлингът“ започва да се слива с „преосмисляне“. Понякога това е точно това, което искате. Понякога не е.

4) Мащабиране на видеото с времева последователност 🎞️

Мащабирането на видео често добавя логика, базирана на движение:

  • Използва съседни кадри за стабилизиране на детайлите ( BasicVSR (CVPR 2021) )

  • Опитва се да избегне трептене и пълзящи артефакти

  • Често комбинира суперрезолюция с премахване на шум и деинтерлейсинг ( Topaz Video )

Ако мащабирането на изображението е като възстановяването на една картина, мащабирането на видеото е като възстановяването на флипбук, без да се налага носа на героя да променя формата си на всяка страница. Което е... по-трудно, отколкото звучи.

Защо мащабирането с изкуствен интелект понякога изглежда фалшиво (и как да го разпознаем) 👀🚩

Мащабирането с изкуствен интелект се проваля по разпознаваеми начини. След като научите моделите, ще ги виждате навсякъде, като например да си купите нова кола и изведнъж да забележите този модел на всяка улица 😵💫

Общи разкази:

  • Кола маска върху лица (твърде много обезшумяване + изглаждане)

  • Преострени ореоли около ръбовете (класическа територия на „превишаване“) ( бикубична интерполация )

  • Повтарящи се текстури (тухлените стени се превръщат в шаблони за копиране и поставяне)

  • Хрупкав микроконтраст , който крещи „алгоритъм“

  • Обезобразяване на текст, при което буквите стават почти букви (най-лошият вид)

  • Отклонение на детайлите, при което малките характеристики се променят едва доловимо, особено в дифузионните работни потоци ( SR3 )

Трудната част: понякога тези артефакти изглеждат „по-добре“ на пръв поглед. Мозъкът ви харесва остротата. Но след миг това започва да ви се струва… странно.

Добра тактика е да намалите мащаба и да проверите дали изглежда естествено при нормално разстояние за гледане. Ако изглежда добре само при 400% увеличение, това не е печалба, това е хоби 😅

Как работи AI Upscaling: от страна на обучението, без математическите главоболия 📉🙂

Обучението на модели със свръхрезолюция обикновено включва:

Типични видове загуби:

  • Загуба на пиксели (L1/L2)
    Насърчава точността. Може да доведе до леко размазани резултати.

  • Перцептивна загуба
    Сравнява по-дълбоки характеристики (като „това изглежда подобно“), а не точни пиксели ( Перцептивни загуби (Johnson et al., 2016) ).

  • Състезателна загуба (GAN)
    Насърчава реализма, понякога за сметка на буквалната точност ( SRGAN , Generative Adversarial Networks ).

Има постоянно дърпане на въже:

  • Направете го вярно на оригинала
    срещу

  • Направете го визуално приятно

Различните инструменти заемат различни места в този спектър. И може да предпочетете един в зависимост от това дали реставрирате семейни снимки или подготвяте плакат, където „хубавият вид“ е по-важен от криминалистичната точност.

Практични работни процеси: снимки, стари сканирания, аниме и видео 📸🧾🎥

Снимки (портрети, пейзажи, продуктови снимки)

Най-добрата практика обикновено е:

  • Първо леко премахване на шум (ако е необходимо)

  • Луксозен с консервативни настройки

  • Добавете зърнеста структура обратно, ако нещата се усещат твърде гладки (да, наистина)

Зърното е като солта. Твърде много разваля вечерята, но никакво не може да е малко безвкусно 🍟

Стари сканирания и силно компресирани изображения

Тези са по-трудни, защото моделът може да третира блоковете за компресия като „текстура“.
Опитайте:

  • Премахване или деблокиране на артефакти

  • След това по-висококачествено

  • След това леко заточване (не прекалено много... Знам, че всички го казват, но все пак)

Аниме и линейно изкуство

Линейното изкуство се възползва от:

  • Модели, които запазват чисти ръбове

  • Намалена халюцинация на текстурата.
    Увеличаването на мащаба в аниме често изглежда страхотно, защото формите са по-прости и последователни. (Късметлия.)

Видео

Видеото добавя допълнителни стъпки:

  • Потискане на шума

  • Деинтерлейсиране (за определени източници)

  • Луксозен

  • Временно изглаждане или стабилизиране ( BasicVSR (CVPR 2021) )

  • По избор повторно въвеждане на зърно за сплотеност

Ако пропуснете времевата последователност, ще получите това блестящо детайлно трептене. След като го забележите, не можете да го премахнете. Като скърцащ стол в тиха стая 😖

Избор на настройки без необмислени гадания (малка шпаргалка) 🎛️😵💫

Ето една добра начална нагласа:

  • Ако лицата изглеждат пластмасови,
    намалете шумопотискането, намалете изострянето, опитайте модел или режим, запазващ лицата.

  • Ако текстурите изглеждат твърде интензивни,
    намалете плъзгачите за „подобряване на детайлите“ или „възстановяване на детайлите“ и след това добавете фина зърнистост.

  • Ако ръбовете светят,
    намалете рязкостта, проверете опциите за потискане на ореола.

  • Ако изображението изглежда твърде „AI“,
    бъдете по-консервативни. Понякога най-добрият ход е просто… по-малко.

Също така: не увеличавайте мащаба до 8 пъти само защото можете. Чисто увеличение 2x или 4x често е идеалният вариант. След това молите модела да напише фенфикшън за вашите пиксели 📖😂

Етика, автентичност и неудобният въпрос за „истината“ 🧭😬

Мащабирането с изкуствен интелект размива границата:

  • Реставрацията означава възстановяване на това, което е било там

  • Подобрението предполага добавяне на това, което не е било

С лични снимки обикновено е добре (и е прекрасно). С журналистика, правни доказателства, медицински изображения или всичко, където прецизността е от значение... трябва да бъдете внимателни ( OSAC/NIST: Стандартно ръководство за управление на цифрови съдебни изображения , SWGDE Насоки за анализ на съдебни изображения ).

Едно просто правило:

  • Ако залозите са високи, третирайте мащабирането на ИИ като илюстративно , а не като окончателно.

Също така, разкриването на информация е важно в професионални контексти. Не защото изкуственият интелект е зло, а защото публиката заслужава да знае дали детайлите са били реконструирани или заснети. Това е просто... уважително.

Заключителни бележки и кратко резюме 🧡✅

И така, как работи мащабирането с изкуствен интелект : моделите научават как детайлите с висока резолюция са свързани с моделите с ниска резолюция, след което предсказват правдоподобни допълнителни пиксели по време на мащабирането ( Deep Learning for Image Super-resolution: A Survey ). В зависимост от семейството модели (CNN, GAN, дифузия, видео-времева), това предсказване може да бъде консервативно и достоверно... или смело и понякога нестабилно 😅

Бързо обобщение

Ако искаш, кажи ми какво мащабираш (лица, стари снимки, видео, аниме, сканиране на текст) и ще ти предложа стратегия за настройки, която е склонна да избегне често срещаните капани на „AI look“ 🎯🙂

ЧЗВ

Мащабиране на изкуствен интелект и как работи

Мащабирането с изкуствен интелект (често наричано „суперрезолюция“) увеличава разделителната способност на изображението, като предвижда липсващи детайли с висока резолюция от модели, научени по време на обучението. Вместо просто да разтяга пикселите като бикубична интерполация, моделът изучава ръбове, текстури, лица и текстови щрихи, след което генерира нови пикселни данни, които съответстват на тези научени модели. Това е по-малко „възстановяване на реалността“ и повече „правене на правдоподобно предположение“, което се чете като естествено.

AI мащабиране спрямо бикубично или традиционно преоразмеряване

Традиционните методи за мащабиране (като бикубичното) интерполират главно между съществуващи пиксели, изглаждайки преходите, без да създават истински нови детайли. Мащабирането с изкуствен интелект има за цел да реконструира правдоподобна структура, като разпознава визуални сигнали и предсказва как ще изглеждат версиите на тези сигнали с висока резолюция. Ето защо резултатите от изкуствения интелект могат да се усещат драстично по-резки, а също и защо те могат да въвеждат артефакти или да „изобретяват“ детайли, които не са присъствали в източника.

Защо лицата могат да изглеждат восъчни или прекалено гладки

Восъчните лица обикновено се получават от агресивно премахване на шум и изглаждане, съчетано с изостряне, което премахва естествената текстура на кожата. Много инструменти третират шума и фината текстура по подобен начин, така че „почистването“ на изображението може да изтрие порите и фините детайли. Често срещан подход е да се намали премахването на шум и изострянето, да се използва режим за запазване на лицето, ако е наличен, и след това да се добави малко зърнистост, така че резултатът да се усеща по-малко пластичен и по-фотографски.

Често срещани артефакти за мащабиране на ИИ, за които да следите

Типичните признаци включват ореоли около ръбовете, повтарящи се текстурни шарки (като тухлички, използвани при копиране и поставяне), хрупкав микроконтраст и текст, който се превръща в „почти букви“. В работните процеси, базирани на дифузия, можете също да видите отклонение на детайлите, където малките характеристики едва доловимо се променят. За видео, трептенето и пълзенето на детайлите по кадрите са големи предупредителни знаци. Ако изглежда добре само при екстремно увеличение, настройките вероятно са твърде агресивни.

Как GAN, CNN и дифузионните скалери се различават в резултатите

Суперрезолюцията, базирана на CNN, е по-стабилна и по-предсказуема, но може да изглежда „обработена“, ако се наложи. Опциите, базирани на GAN (в стил ESRGAN), често създават по-резка текстура и възприемана острота, но могат да халюцинират неправилни детайли, особено по лицата. Мащабирането, базирано на дифузия, може да генерира красиви, правдоподобни детайли, но може да се отклони от оригиналната структура, ако настройките за насочване или сила са твърде силни.

Практична стратегия за настройки, за да се избегне „твърде изкуствен интелект“ вид

Започнете консервативно: увеличете мащаба 2× или 4×, преди да посегнете към екстремни фактори. Ако лицата изглеждат „пластични“, намалете шумопотискането и изострянето и опитайте режим, който разпознава лицата. Ако текстурите станат твърде интензивни, намалете подобряването на детайлите и помислете за добавяне на фина зърнистост след това. Ако ръбовете светят, намалете изострянето и проверете потискането на ореола или артефактите. В много конвейери „по-малкото“ печели, защото запазва правдоподобния реализъм.

Обработка на стари сканирания или силно JPEG компресирани изображения преди мащабиране

Компресираните изображения са трудни за обработка, защото моделите могат да третират блоковите артефакти като реална текстура и да ги усилват. Често срещан работен процес е първо премахване или деблокиране на артефакти, след това мащабиране и накрая леко изостряне, само ако е необходимо. При сканирания, нежното почистване може да помогне на модела да се фокусира върху действителната структура, а не върху повредите. Целта е да се намалят „фалшивите текстурни сигнали“, така че човекът, извършващ мащабиране, да не е принуден да прави уверени предположения от шумни входни данни.

Защо мащабирането на видео е по-трудно от мащабирането на снимки

Мащабирането на видеото трябва да е последователно във всички кадри, а не само добро за едно неподвижно изображение. Ако детайлите трептят кадър по кадър, резултатът бързо става разсейващ. Подходите, фокусирани върху видеото, използват времева информация от съседни кадри, за да стабилизират реконструкцията и да избегнат трептящи артефакти. Много работни процеси включват също премахване на шум, премахване на преплитане за определени източници и опционално повторно въвеждане на зърнистост, така че цялата последователност да изглежда сплотена, а не изкуствено остра.

Когато мащабирането с изкуствен интелект не е подходящо или е рисковано да се разчита на него

Мащабирането с изкуствен интелект е най-добре да се третира като подобрение, а не като доказателство. В контексти с висок залог, като журналистика, правни доказателства, медицински изображения или криминалистика, генерирането на „правдоподобни“ пиксели може да бъде подвеждащо, защото може да добави детайли, които не са били заснети. По-безопасно рамкиране е да се използва илюстративно и да се разкрие, че изкуствен интелект е възстановил детайл. Ако точността е от решаващо значение, запазете оригиналите и документирайте всяка стъпка и настройка на обработката.

Референции

  1. arXiv - Дълбоко обучение за изображения със свръхрезолюция: Проучване - arxiv.org

  2. arXiv - Суперрезолюция на изображения с помощта на дълбоки конволюционни мрежи (SRCNN) - arxiv.org

  3. arXiv - Real-ESRGAN - arxiv.org

  4. arXiv - ESRGAN - arxiv.org

  5. arXiv - SR3 - arxiv.org

  6. Разработчик на NVIDIA - NVIDIA DLSS - developer.nvidia.com

  7. AMD GPUOpen - FidelityFX Super Resolution 2 - gpuopen.com

  8. Фондация за компютърно зрение (CVF) с отворен достъп - BasicVSR: Търсенето на основни компоненти във видео суперрезолюцията (CVPR 2021) - openaccess.thecvf.com

  9. arXiv - Генеративни състезателни мрежи - arxiv.org

  10. arXiv - SRGAN - arxiv.org

  11. arXiv - Перцептивни загуби (Johnson et al., 2016) - arxiv.org

  12. GitHub - Хранилище Real-ESRGAN (опции за плочки) - github.com

  13. Уикипедия - Бикубична интерполация - wikipedia.org

  14. Topaz Labs - Снимка на Topaz - topazlabs.com

  15. Topaz Labs - Topaz Video - topazlabs.com

  16. Помощен център на Adobe - Adobe Enhance > Супер резолюция - helpx.adobe.com

  17. NIST / OSAC - Стандартно ръководство за управление на цифрови изображения в криминалистичната администрация (версия 1.0) - nist.gov

  18. SWGDE - Насоки за криминалистичен анализ на изображения - swgde.org

Намерете най-новия изкуствен интелект в официалния магазин за асистенти с изкуствен интелект

За нас

Обратно към блога