Компания Cougar Gaming анонсировала появление в продаже компьютерного корпуса Conquer Essence, выполненного в виде полуоткрытого стенда. Шасси рассчитано на установку материнских плат формата Mini-ITX и microATX, а основными материалами, использованными при его изготовлении, являются алюминий и 5-мм закалённое стекло, из которого выполнены боковые стенки.

Размеры Cougar Conquer Essence составляют 522(Д) x 233(Ш) x 480(В) мм. Внутри можно разместить до пяти карт расширения, в том числе графические адаптеры длиной до 350 мм, CPU-кулер высотой до 160 мм и ATX-совместимый блок питания, длина которого не должна превышать 200 мм. Также предусмотрены посадочные места для пары 3,5-дюймовых жёстких дисков и трёх накопителей формата 2,5 дюйма.

Во фронтальной и верхней частях корпуса можно разместить по радиатору СЖО типоразмера 240 мм и/или по два 120-мм вентилятора. На панели ввода-вывода присутствуют два порта USB 3.0 и пара 3,5-мм аудиоразъёмов.

На прилавках магазинов необычный корпус Cougar Conquer Essence появится ближе к концу месяца, рекомендованная стоимость новинки равна 229 долларам.

Источник:
Hermitage Akihabara

Значительно повысить качество фотографии лёгким движением руки можно разве что в кино. В жизни же добиться этого намного сложнее. Однако группой исследователей из NVIDIA, Университета Аалто и Массачусетского технологического института (MIT), был создан новый метод, основанный на алгоритмах глубокого обучения, способный улучшать качество фотографий, просто глядя на примеры фотографий с дефектом.

(a) Входное изображение. (b) Восстановление с помощью нейросети. (с) Оригинальное изображение.В предыдущих подобных проектах нейросеть обучалась восстанавливать фотографии, определяя разницу между изображением с шумом и без него. Новый подход отличается тем, что нейросети получает только изображение с шумом, зерном или другими артефактами. То есть алгоритмам не с чем сравнить полученные повреждённые данные, но она всё равно в состоянии «почистить» картинку.

Как отмечают исследователи, созданный ими искусственный интеллект можно научить восстанавливать изображения, даже без сравнения их с чистыми аналогами, причём работать они будут с большей скоростью. Созданная нейросеть не уступает методам, в которых обучение происходит на основе чистых образцов, ни по времени обучения, ни по результатам работы.

Команда проекта обучила свою систему на 50 000 изображениях из набора ImageNet. В основе системы лежат ускорители вычислений NVIDIA Tesla P100 с фреймворком глубокого обучения TensorFlow с ускорением cuDNN.

Применяться данная система может в самых различных задачах. Например, для обработки астрономические снимков, и других изображений, полученных в условиях крайне низкой освещённости, или же в медицинской сфере, для улучшения качества магнитно-резонансной визуализации. А новая система потенциально позволяет получить весомые преимущества в данных областях, устраняя необходимость в зачастую трудоёмком процессе получения чистых данных. Конечно, здесь есть свои ограничения. Система не сможет воссоздать объекты, которые отсутствуют в наборе для обучения. Но это ограничение относится в равной степени и к обучению на основе чистых изображений.