研究團(tuán)隊(duì)探索模型來修復(fù)照片中的噪音

那些過于顆粒狀的meh照片可以通過研究人員研究出一種減少噪音和偽影的方法，為數(shù)字生活帶來新的契機(jī)。在這種情況下，噪音指的是視覺扭曲，因?yàn)镃ole的課堂設(shè)置了斑點(diǎn)，這些斑點(diǎn)妨礙了你的畫面，微小的彩色像素，有時(shí)在電影攝影中看起來像“顆粒”。

該團(tuán)隊(duì)在他們的論文“Noise2Noise：沒有干凈數(shù)據(jù)的學(xué)習(xí)圖像恢復(fù)”中討論了他們的工作。論文是關(guān)于arXiv的。該團(tuán)隊(duì)包括與NVIDIA，阿爾托大學(xué)和麻省理工學(xué)院的關(guān)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。

“這種基于深度學(xué)習(xí)的方法已經(jīng)學(xué)會(huì)了通過簡單地查看損壞的照片的示例來修復(fù)照片，”NVIDIA 開發(fā)者新聞中心的一篇帖子說道。

“無噪音的照片需要長時(shí)間曝光......在這項(xiàng)工作中，我們觀察到在合適的常見情況下，我們可以學(xué)習(xí)僅從損壞的例子中重建信號(hào)，而不會(huì)觀察到干凈的信號(hào)，并且通常也會(huì)這樣做就像我們使用干凈的例子一樣。“

Katyanna Quach解釋了他們的工作有什么特別之處：“計(jì)算機(jī)視覺算法已經(jīng)被自動(dòng)用于改進(jìn)像Pixel 2或iPhone X這樣的智能手機(jī)拍攝的快照，但這會(huì)讓事情更進(jìn)一步，”她在The Register中寫道。“這種最新型號(hào) - 昵稱為noise2noise - 可以學(xué)習(xí)如何清潔圖像，而無需查看高分辨率的示例，而不是為神經(jīng)網(wǎng)絡(luò)提供一對(duì)圖像，其中一個(gè)是高質(zhì)量而另一個(gè)是模糊的。”

方法和方法：他們使用NVIDIA Tesla P100 GPU和cuDNN加速的TensorFlow深度學(xué)習(xí)框架。他們?cè)贗mageNet驗(yàn)證集中對(duì)50,000個(gè)圖像進(jìn)行了系統(tǒng)訓(xùn)練。

Quach：“團(tuán)隊(duì)在從ImageNet數(shù)據(jù)集中拍攝的50,000張圖像上訓(xùn)練了他們的noise2noise模型，并為每張圖像添加了隨機(jī)噪聲分布。系統(tǒng)必須估計(jì)照片中噪聲的大小并將其移除。”

作者說：“我們的概念驗(yàn)證演示通過消除對(duì)可能收集的清潔數(shù)據(jù)的需求，指出了在這些應(yīng)用中獲得顯著潛在利益的方法。當(dāng)然，沒有免費(fèi)午餐 - 我們無法學(xué)習(xí)如何獲取功能輸入數(shù)據(jù)中沒有 - 但這同樣適用于清潔目標(biāo)的培訓(xùn)。“