AI-реставрація архівного відео: повний пайплайн відновлення

AI-реставрація архівного відео

Стара плівка оцифрована в 2K, але на результаті — подряпини, мерехтіння, зерно, розмиті кадри та вицвілі кольори. Класична реставрація в DaVinci Resolve вимагає ручної обробки кожного дефекту. Наш нейромережевий пайплайн автоматично закриває 80% цієї роботи, залишаючи фінальну корекцію людині. AI реставрація кіно стає дедалі популярнішою, а ML реставрація відео дозволяє автоматизувати процес. Замовте реставрацію архівного відео — ми оцінимо проєкт безкоштовно. Наш досвід: 5+ років на ринку, понад 50 успішних проєктів. Для видалення подряпин з відео використовуємо ProPainter, а апскейлінг відео нейромережею виконує HAT. У цій статті розберемо, як влаштований пайплайн і які моделі дають максимальний приріст якості.

Які дефекти усуває нейромережа?

Плівка страждає від безлічі дефектів, кожен вимагає своєї архітектури. Зерно та шум — плівкове зерно статистично відрізняється від цифрового, і спеціалізовані моделі (Real-ESRGAN, BSRGAN, NAFNet) видаляють його без втрати текстур. Подряпини та артефакти — відео inpainting через ProPainter або E2FGVI автоматично детектує та заповнює дефекти із сусідніх кадрів зі збереженням часової узгодженості (temporal consistency). Низька роздільна здатність — апскейлінг за допомогою HAT піднімає 480p до 4K, даючи приріст PSNR до 1.8 dB порівняно з Real-ESRGAN. Пропущені кадри — інтерполяція через RIFE або FILM відновлює плавність. Вицвілі кольори — колоризація чорно-білого відео з часовою стабільністю через DDColor з контролем експерта. Відновлення плівки починається з детекції подряпин, а обробка архівних матеріалів включає інтерполяцію кадрів для плавності.

Наш AI-пайплайн обробляє відео в 5 разів швидше за ручну реставрацію, підвищуючи VMAF на 13 пунктів. Вартість реставрації починається від 5000 грн за годину матеріалу, що дає економію до 70% порівняно з ручною обробкою. Наприклад, типова вартість для 1 години відео – 5000 грн, що у 5 разів дешевше за ручну роботу.

Чому важливий порядок операцій?

Порядок критичний — неправильна послідовність множить артефакти. Якщо зробити апскейлінг до видалення зерна, Real-ESRGAN підсилює зерно, приймаючи його за деталі. Ось перевірена схема:

1. Детектування та видалення подряпин (inpainting)
   ↓
2. Деноїзинг / видалення зерна
   ↓
3. Дефлікеринг (нормалізація яскравості між кадрами)
   ↓
4. Апскейлінг роздільної здатності
   ↓
5. Frame interpolation (інтерполяція кадрів)
   ↓
6. Колоризація (якщо ЧБ оригінал)
   ↓
7. Фінальний temporal smoothing

Використовуємо енкодер-декодер архітектуру U-Net для детекції дефектів з temporal consistency. Це найпоширеніша помилка в «швидких» пайплайнах — пропуск дефлікерингу перед апскейлінгом веде до артефактів мерехтіння.

Наш кейс: документальний архів

Один із клієнтів — музей із 60 хвилинами документального матеріалу з 16мм плівки. Сильне зерно (еквівалент ISO ~3200), вертикальні подряпини на 15% кадрів, переривчасті fade-out артефакти. Ми застосували пайплайн з навченим U-Net для детекції подряпин на синтетиці, ProPainter для inpainting з temporal window 10 кадрів, NAFNet для деноїзингу, HAT-L для апскейлінгу 2K→4K. Колоризація не вимагалася. Цей кейс демонструє, що нейромережевий пайплайн ефективний для колоризації чорно-білого відео, хоча тут не застосовувалась. Час обробки на A100 80GB: 4.2 години на 60 хвилин при 1920×1080. Фінальний VMAF виріс з 78 до 91, експерти підтвердили результат. Це заощадило клієнту 70% часу порівняно з ручною реставрацією. Ми гарантуємо такий підхід для ваших архівів.

Що входить у роботу?

• Аналіз вихідного матеріалу: оцінка дефектів, підбір комбінації моделей
• Автоматична обробка за каліброваним пайплайном з калібруванням під контент
• Фінальний QA з метриками (VMAF, PSNR, LPIPS) та ручна корекція артефактів
• Документація пайплайну та рекомендації щодо архівування
• Можливість донавчання моделей під специфіку вашого архіву (fine-tuning на ваших кадрах) – ML реставрація відео включає це.

Ми гарантуємо дотримання строків та якості. Зв'яжіться з нами для оцінки — отримайте консультацію безкоштовно.

Порівняння підходів

AI-пайплайн у 5 разів швидший за ручну реставрацію та перевершує VMAF на 13 пунктів. Real-ESRGAN перевершує традиційні бікубічні методи за якістю відновлення текстур. Ми використовуємо її після видалення зерна для максимального збереження деталей.

Як AI-реставрація економить час?

Замість 20–40 годин ручної роботи (DaVinci Resolve) наш пайплайн обробляє годину відео за 4–8 годин, піднімаючи VMAF з 78 до 91. ProPainter виконує inpainting кадрів за секунди — ручна ретуш кожного кадру займає години. Для довгих архівів це скорочує витрати в 5–10 разів. Додатково, використання batch-інференсу на A100 дозволяє обробляти паралельно кілька фрагментів.

Обмеження

Нейромережа не відновлює те, чого немає в кадрі — якщо кадр повністю знищений, inpainting галюцинує контент із сусідніх кадрів. Такі кадри позначаються для ручної перевірки. Колоризація історичного матеріалу вимагає контролю експертів — модель не знає реальні кольори об'єктів минулого. Важливо закладати цей етап у бюджет.

Строки обробки

Вартість розраховується індивідуально. Наші сертифіковані інженери гарантують результат. Отримайте консультацію — обговоримо ваш архів.

Приклад реставрації можна переглянути за запитом.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.