А итоги розыгрыша подведем уже завтра!

Пока всего 2 участника (звучит как легкий выигрыш))

На кону почти минута анимации с помощью Anix!

Потрясающее интервью основателей об Anix

В гениальном исполнении команды из ВГИК - видео уже на канале, переходи по ссылке! Вся информация за 10 минут, и еще куча примеров работы нейросети😉

Подводим итоги розыгрыша

60 интерполяций получает @e_vikkk за прекрасную гифку) Уже начислили интерполяции по почте в личном кабинете) Проверяйте!

Собрали все в одном посте, чтобы не потерять

1. О нас - что такое Anix (видеоинтервью с основателями)
2. Гайд как пользоваться Anix
3. Как рисовать анимацию в 2 раза быстрее - статья
4. ТОП-5 лайфхаков, как улучшить результат
5. Часто задаваемые вопросы

🚀 Постоянный поиск новых решений. Часть 1. AnimeInBet

В Anix мы постоянно исследуем, как еще лучше решать нашу задачу (она называется "задача интерполяции промежуточных кадров"). Наша команда активно изучает различные решения и подходы, которые доступны в свободном доступе, с целью их улучшения оптимизации для вас, для анимации. Считаем это очень важным для совершенствования всего того, что делаем. Поэтому часто разбираемся с другими нейронками, читаем статьи, прикручиваем, тестим. Делимся с вами прожитым нами опытом)) Сегодня поговорим о еще одной довольно известной нейросети для интерполяции)

🎨 Разбор сложностей AnimeInBet 🎨

Наш математик-ученый Илья Широков поделился своими мыслями о том, с какими трудностями он столкнулся при работе с кодом AnimeInBet:

"Недавно я погрузился в код AnimeInBet, чтобы адаптировать его под работу с произвольными парными кадрами. Сначала я провел векторизацию по нашему алгоритму и подготовил данные для тестирования. Но, увы, первый тест оказался неудачным. 😅

И дальнейшие тесты не работали даже на примерах от AnimeInBet. То, что они писали в статье, и то, что получалось с их нейронкой оказалось, к сожалению, совсем разными вещами.

Основная проблема, похоже, заключается в том, что механизм внимания в AnimeInBet слишком фокусируется на мельчайших деталях. Это приводит к тому, что он не может правильно сопоставить ключевые элементы между кадрами. Если увеличить область внимания, то, к сожалению, мы теряем локальные детали, и это еще больше усложняет задачу. К тому же, это потребовало бы переобучения всей модели, что само по себе нелегко.

Меня удивляет, как разработчикам AnimeInBet удалось получить такие красивые результаты, которые они показали в своём репозитории. 🤔 На тех же данных, даже после 50 эпох обучения и доработки кода, у меня всё выглядело далеко не так гладко. Они пытались решить эту проблему, используя алгоритм Белкина для кодирования локальной информации, но что-то пошло не так.

Тем не менее, у меня есть пара идей, как можно модифицировать их алгоритм, чтобы он заработал лучше. Возможно, еще не все потеряно! 💡"

Что ж, надеемся, что с AnimeInBet по итогу что-то срастется - проект выглядел многообещающе...приложили ссылку на их репозиторий, если вдруг попробуете и что-нибудь получится - будем очень рады. Или если у вас уже что-то получилось - пишите в комментариях!