研究團隊探索模型來修復照片中的噪音

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。在這種情況下，噪音指的是視覺扭曲，因為Cole的課堂設置了斑點，這些斑點妨礙了你的畫面，微小的彩色像素，有時在電影攝影中看起來像“顆粒”。

該團隊在他們的論文“Noise2Noise：沒有干凈數(shù)據的學習圖像恢復”中討論了他們的工作。論文是關于arXiv的。該團隊包括與NVIDIA，阿爾托大學和麻省理工學院的關系。

(Aalto U是芬蘭的一所大學，成立于2010年，由赫爾辛基理工大學，赫爾辛基經濟學院和赫爾辛基藝術與設計大學合并而成。

“這種基于深度學習的方法已經學會了通過簡單地查看損壞的照片的示例來修復照片，”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間曝光......在這項工作中，我們觀察到在合適的常見情況下，我們可以學習僅從損壞的例子中重建信號，而不會觀察到干凈的信號，并且通常也會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：“計算機視覺算法已經被自動用于改進像Pixel 2或iPhone X這樣的智能手機拍攝的快照，但這會讓事情更進一步，”她在The Register中寫道。“這種最新型號 - 昵稱為noise2noise - 可以學習如何清潔圖像，而無需查看高分辨率的示例，而不是為神經網絡提供一對圖像，其中一個是高質量而另一個是模糊的。”

方法和方法：他們使用NVIDIA Tesla P100 GPU和cuDNN加速的TensorFlow深度學習框架。他們在ImageNet驗證集中對50,000個圖像進行了系統(tǒng)訓練。

Quach：“團隊在從ImageNet數(shù)據集中拍攝的50,000張圖像上訓練了他們的noise2noise模型，并為每張圖像添加了隨機噪聲分布。系統(tǒng)必須估計照片中噪聲的大小并將其移除。”

作者說：“我們的概念驗證演示通過消除對可能收集的清潔數(shù)據的需求，指出了在這些應用中獲得顯著潛在利益的方法。當然，沒有免費午餐 - 我們無法學習如何獲取功能輸入數(shù)據中沒有 - 但這同樣適用于清潔目標的培訓。“