Kolorierungs-Fehler

Aber natürlich hat auch diese Methode die typischen Probleme mit schwer zu erkennenden Teilen von Objekten und oft schillern die Farben eines Objekts (z.B. Kleidung) auch lila (ein inhärentes Problem des verwendeten Verfahrens - lila bedeutet, dass das neuronale Netzwerk eine Farbe nicht sicher bestimmen kann) oder die Farben eines Objekts bluten in die Umgebung aus. Und - je nach Trainingsmaterial - wirken die Ergebnisse den Einfärbung oft wie Hobby Super 8 Filme.

Zombie-Hände: Die Hände werden nicht als Teil des Körpers erkannt und deswegen falsch eingefärbt

DeOldify online oder lokal selbst ausprobieren

Wer alte S/W-Photos hat, kann sie hier vom DeOldify-Algorithmus online kolorieren lassen (allerdings wird hier nicht die aktuell beste Version genutzt).

Wer Videos kolorieren will, und mehr Kontrolle über das Verfahren haben will, kann den Orginal Code von DeOldify selbst ausprobieren. Hier ein Tutorial für die Installation und das Setup von DeOldify online per Google Colab:

Oldify kann aber natürlich auch lokal installiert werden - als Betriebssystem für das Setup aller notwendigen Deep Learning Tools (die Fast.AI Biblitothek, PyTorch, Jupyter Lab, Tensorboard und ImageNet) wird Linux oder Windows 10 empfohlen. Fürs Training wird eine leistungsstarke Grafikkarte benötigt - die 11 GB RAM in seiner GeForce 1080Ti erscheinen dem Entwickler Jason Antic dürftig (sie braucht fürs Training vier Tage), weniger wären seiner Meinung schlecht (wer gleich starten will, findet fertige Trainingsdaten auf der Github-Seite des Projekts).

Die Kolorierung selbst dagegen benötigt nur eine GPU mit 4 GB RAM und erfolgt in wenigen Sekunden. Es gibt zur Auswahl drei Kolorierungs-Modelle mit jeweils spezifischen Vor- und Nachteilen (eines davon speziell für Video). Eine einfacher zu installierende und bedienende DeOldify-Software ist aber in laut Entwickler schon Arbeit. Laufend neue Beispiele von kolorierten Photos (mit der jeweils besten Version von DeOldify) sowie Neuigkeiten zur Entwicklung finden sich auf Jason Antics Twitter-Kanal.

Interessant ist auch zu sehen, welches Potential es noch gibt in der Weiterentwicklung: Hier ein Bildvergleich zwischen dem aktuellen Open Source Modell und einer neuen noch unveröffentlichten Version von DeOldify: