Forskerhold udforsker model til at rette op på støj på billeder

Disse meh-billeder, der er for grynet, kan få et nyt liv i det digitale liv gennem en metode, der er udarbejdet af forskere, der fandt en måde at reducere støj og artefakter på. Støj refererer i denne sammenhæng til visuel forvrængning, som Coles klasseværelse sige det – pletter, der står i vejen for at nyde dit billede, de små farvede pixels, nogle gange ligner "korn" i filmfotografering.

Teamet diskuterer deres arbejde i deres papir, "Noise2Noise:Lær billedgendannelse uden rene data." Avisen er på arXiv. Holdet inkluderer tilknytninger til NVIDIA, Aalto University og MIT.

(Aalto U er et universitet i Finland og blev grundlagt i 2010 fra fusionen af ​​Helsinki University of Technology, Helsinki School of Economics og University of Art and Design Helsinki.)

"Denne dybe læringsbaserede tilgang har lært at rette billeder ved blot at se på eksempler på beskadigede fotos, " sagde et opslag på NVIDIA Developer News Center.

"Et støjfrit fotografi kræver en lang eksponering ... I dette værk, vi bemærker, at under passende, almindelige forhold, vi kan lære at rekonstruere signaler fra kun korrupte eksempler, uden nogensinde at observere rene signaler, og ofte gør dette lige så godt, som hvis vi brugte rene eksempler."

Deres papir blev præsenteret på ICML, som står for International Conference on Machine Learning, i Sverige.

Katyanna Quach forklarede, hvad der er specielt ved deres arbejde:"Computersynsalgoritmer bruges allerede automatisk til at forbedre snaps taget på smartphones som Pixel 2 eller iPhone X, men det tager tingene længere, " skrev hun ind Registeret . "I stedet for at fodre neurale netværk et par billeder, hvor den ene er af høj kvalitet og den anden er sløret, denne seneste model – kaldet noise2noise – kan lære at rense billeder uden at skulle se eksempler i høj opløsning."

Metode og tilgang:De brugte NVIDIA Tesla P100 GPU'er med den cuDNN-accelererede TensorFlow deep learning-ramme. De trænede systemet den 50. 000 billeder i ImageNet-valideringssættet.

Quach:"Holdet trænede deres noise2noise-model på 50, 000 billeder taget fra ImageNet-datasættet og tilføjet en tilfældig fordeling af støj til hvert billede. Systemet skal vurdere størrelsen af ​​støjen på billedet og fjerne det."

Forfatterne sagde, "Vores proof-of-concept demonstrationer viser vejen til betydelige potentielle fordele i disse applikationer ved at fjerne behovet for potentielt anstrengende indsamling af rene data. Selvfølgelig, der er ingen gratis frokost – vi kan ikke lære at opfange funktioner, der ikke er der i inputdataene – men det gælder også for træning med rene mål."

Metoden kan bruges til at forbedre MR-billeder, også. Dette fangede Brandon Hills opmærksomhed HotHardware . "Ikke kun har NVIDIA og dets akademiske partnere brugt Noise2Noise til at hjælpe med at gendanne kornete fotos, men de bruger det også til magnetisk resonansbillede (MRI) scanninger, hvilket kan være yderst gavnligt i den medicinske sektor."

© 2018 Tech Xplore