研究小組探索模型修復(fù)照片中的噪音

那些過(guò)于粗糙的meh照片可以通過(guò)一種由研究人員設(shè)計(jì)的方法得到一個(gè)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(jué)失真，正如科爾的教室所說(shuō)的那樣-這些斑點(diǎn)阻礙了你欣賞圖片的方式，這些微小的彩色像素，有時(shí)看起來(lái)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(méi)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(tuán)隊(duì)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(jì)學(xué)院和赫爾辛基藝術(shù)與設(shè)計(jì)大學(xué)合并而成。）

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

“無(wú)噪音照片需要長(zhǎng)時(shí)間曝光......在這項(xiàng)工作中，我們觀察到，在適當(dāng)?shù)摹⒐餐那闆r下，我們可以學(xué)會(huì)只從損壞的例子中重建信號(hào)，而不需要觀察干凈的信號(hào)，而且經(jīng)常做到這一點(diǎn)，就像我們使用干凈的例子一樣。

他們的論文在瑞典的國(guó)際機(jī)器學(xué)習(xí)會(huì)議ICML上發(fā)表。

Katyanna Quach解釋了他們工作的特殊之處：“計(jì)算機(jī)視覺(jué)算法已經(jīng)被自動(dòng)用于改進(jìn)像Pixel2或iPhoneX這樣的智能手機(jī)上的快照，但這需要更進(jìn)一步。“這種最新的模型——綽號(hào)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(duì)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?cè)贗mage Net驗(yàn)證集中對(duì)50，000幅圖像進(jìn)行了培訓(xùn)。

Quach：“研究小組對(duì)來(lái)自Image Net數(shù)據(jù)集的50,000幅圖像進(jìn)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(jī)分布。該系統(tǒng)必須估計(jì)照片中噪音的大小并將其移除。”

作者說(shuō)，“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(duì)潛在的艱苦收集清潔數(shù)據(jù)的需求。當(dāng)然，沒(méi)有免費(fèi)午餐——我們不能學(xué)會(huì)獲取輸入數(shù)據(jù)中沒(méi)有的功能——但這同樣適用于有干凈目標(biāo)的培訓(xùn)?！?/p>

該方法也可用于增強(qiáng)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(jìn)行磁共振圖像掃描，這在醫(yī)療部門是非常有益的?！?/p>