AI elimina imagens barulhentas sem dados de treinamento limpos

• As redes neurais podem aprimorar automaticamente suas fotos sem precisar treinar a aparência de uma foto sem ruído.
• Ele pode ser usado em fotografia com pouca luz, ressonância magnética e síntese de imagens com base física. 

Não seria bom se você pudesse tirar fotos com pouca luz, pixeladas ou granuladas e remover os artefatos e ruídos sem usar o Photoshop. Um novo modelo de aprendizado de máquina pode fazer o mesmo simplesmente observando amostras de imagens corrompidas.

A reconstrução do sinal a partir de medições corrompidas é uma parte crucial da análise estatística de dados. Hoje em dia, vemos muito interesse em evitar a modelagem estatística convencional de corrupções de sinais, devido aos recentes avanços nas técnicas de aprendizado de máquina.

Pesquisadores do MIT, NVIDIA e Aalto University aplicaram um raciocínio estatístico básico para sinalizar a reconstrução usando redes neurais. Ele aprende a restaurar sinais sem nunca olhar para sinais limpos.

É diferente de outros métodos de última geração ou de IA de aprimoramento de imagem desenvolvida recentemente. Embora outras técnicas de aprendizado de máquina neste campo se concentrem no treinamento de uma rede neural para restaurar fotos mostrando imagens com ruído e limpas, esse método requer apenas um par de imagens de entrada com granulação ou ruído.

Este sistema de inteligência artificial pode aprimorar automaticamente suas fotos sem nunca ser treinado na aparência de uma foto sem ruído.



As técnicas convencionais de aprendizado de máquina envolvem o treinamento de um modelo de regressão como uma rede neural convolucional com grandes conjuntos de dados contendo pares de entradas corrompidas (imagens com ruído) e alvo limpo (imagem fixa), além de reduzir o risco empírico.

Por outro lado, neste método, os alvos limpos podem ser eliminados completamente, desde que a rede seja capaz de observar cada imagem fonte duas vezes. Ele pode ser treinado para corrigir imagens com conteúdo atípico significativo (50%). Às vezes, supera o modelo usando exemplares limpos. Além disso, é uma tarefa menos dispendiosa do que obter o alvo limpo. 



Referência:arXiv:1803.04189 | NVIDIA

Para treinar a rede em 50.000 imagens, os pesquisadores usaram GPUs NVIDIA Tesla P100 com estrutura TensorFlow alimentada pela biblioteca de redes neurais profundas CUDA.

Aplicativos

Existem vários cenários do mundo real onde a aquisição de dados de treinamento limpos é uma tarefa difícil:imagens com pouca luz, como fotografia astronômica, imagens de ressonância magnética e síntese de imagens com base física.

Obviamente, a rede não consegue aprender a captar recursos que não estão presentes nas imagens de entrada, mas o mesmo se aplica ao treinamento com alvos limpos.

Exemplo de reconstrução de ressonância magnética | Cortesia de pesquisadores

Leia:NVIDIA AI pode converter vídeos de 30fps em 240fps

Neste estudo, os pesquisadores começaram com a distribuição de ruído padrão (incluindo ruído gaussiano aditivo) e continuaram com o ruído de Monte Carlo, mais difícil e analiticamente intratável, na síntese de imagens. Eles também observaram que a reconstrução da imagem a partir da amostragem espectral sub-Nyquist na ressonância magnética (ressonância magnética) pode ser aprendida apenas a partir de imagens ruidosas.