研究小組探索模型修復(fù)照片中的噪音

那些過于粗糙的meh照片可以通過一種由研究人員設(shè)計的方法得到一個新的數(shù)字生活租賃，他們找到了一種減少噪音和工件的方法。在這種情況下，噪音指的是視覺失真，正如科爾的教室所說的那樣-這些斑點阻礙了你欣賞圖片的方式，這些微小的彩色像素，有時看起來像電影攝影中的“顆?！薄?/p>

研究小組在他們的論文《噪音2-噪音：在沒有清潔數(shù)據(jù)的情況下學(xué)習(xí)圖像恢復(fù)》中討論了他們的工作。論文在ar xiv上..該團隊包括與NVIDIA、阿爾托大學(xué)和麻省理工學(xué)院的聯(lián)系。

（Aalto U是芬蘭的一所大學(xué)，成立于2010年，由赫爾辛基理工大學(xué)、赫爾辛基經(jīng)濟學(xué)院和赫爾辛基藝術(shù)與設(shè)計大學(xué)合并而成。）

在NVIDIA開發(fā)者新聞中心的一個帖子中說：“這種基于深度學(xué)習(xí)的方法僅僅通過查看損壞照片的例子就學(xué)會了修復(fù)照片。

“無噪音照片需要長時間曝光......在這項工作中，我們觀察到，在適當?shù)?、共同的情況下，我們可以學(xué)會只從損壞的例子中重建信號，而不需要觀察干凈的信號，而且經(jīng)常做到這一點，就像我們使用干凈的例子一樣。

他們的論文在瑞典的國際機器學(xué)習(xí)會議ICML上發(fā)表。

Katyanna Quach解釋了他們工作的特殊之處：“計算機視覺算法已經(jīng)被自動用于改進像Pixel2或iPhoneX這樣的智能手機上的快照，但這需要更進一步?！斑@種最新的模型——綽號為noise2noise——可以學(xué)習(xí)如何在不需要看到高分辨率示例的情況下清理圖像，而不是給神經(jīng)網(wǎng)絡(luò)輸入一對高質(zhì)量和模糊的圖像。”.

方法和方法：他們使用NVIDIA特斯拉P100GPU與CuDNN加速TensorFlow深度學(xué)習(xí)框架。他們在Image Net驗證集中對50，000幅圖像進行了培訓(xùn)。

Quach：“研究小組對來自Image Net數(shù)據(jù)集的50,000幅圖像進行了噪聲2噪聲模型的訓(xùn)練，并在每幅圖像中添加了噪聲的隨機分布。該系統(tǒng)必須估計照片中噪音的大小并將其移除?！?/p>

作者說，“我們的概念證明演示指出了在這些應(yīng)用程序中的重要潛在好處，消除了對潛在的艱苦收集清潔數(shù)據(jù)的需求。當然，沒有免費午餐——我們不能學(xué)會獲取輸入數(shù)據(jù)中沒有的功能——但這同樣適用于有干凈目標的培訓(xùn)?！?/p>

該方法也可用于增強MRI圖像。這引起了HotHardware中布蘭登·希爾的注意?！癗VIDIA及其學(xué)術(shù)合作伙伴不僅使用Nise2Nois幫助恢復(fù)顆粒照片，而且他們還使用它進行磁共振圖像掃描，這在醫(yī)療部門是非常有益的。”