Die meh-foto's die te korrelig zijn, kunnen een nieuw leven ingeblazen worden in het digitale leven via een methode die is ontwikkeld door onderzoekers die een manier hebben gevonden om de ruis en artefacten te verminderen. Ruis in deze context verwijst naar visuele vervorming, als De klas van Cole zeg maar - vlekken die het genieten van je foto in de weg staan, de kleine gekleurde pixels, ziet er soms uit als "graan" in filmfotografie.

Het team bespreekt hun werk in hun paper, "Noise2Noise:beeldherstel leren zonder schone gegevens." De krant staat op arXiv. Het team omvat banden met NVIDIA, Aalto University en MIT.

(Aalto U is een universiteit in Finland en is in 2010 ontstaan ​​uit de fusie van de Technische Universiteit van Helsinki, de Helsinki School of Economics en de University of Art and Design Helsinki.)

"Deze op deep learning gebaseerde benadering heeft geleerd om foto's te repareren door alleen naar voorbeelden van beschadigde foto's te kijken, ", aldus een bericht op het NVIDIA Developer News Center.

"Een ruisvrije foto vereist een lange sluitertijd ... In dit werk, zien we dat onder geschikte, veelvoorkomende omstandigheden, we kunnen leren om signalen te reconstrueren van alleen beschadigde voorbeelden, zonder ooit zuivere signalen waar te nemen, en doen dit vaak net zo goed alsof we zuivere voorbeelden gebruiken."

Hun paper werd gepresenteerd op ICML, wat staat voor International Conference on Machine Learning, in Zweden.

Katyanna Quach legde uit wat er zo speciaal is aan hun werk:"Computer vision-algoritmen worden al automatisch gebruikt om snaps die zijn gemaakt op smartphones zoals de Pixel 2 of de iPhone X te verbeteren, maar dit gaat verder, " schreef ze in Het register . "In plaats van neurale netwerken een paar beelden te geven, waar de ene van hoge kwaliteit is en de andere wazig, dit nieuwste model – bijgenaamd noise2noise – kan leren hoe je afbeeldingen kunt opschonen zonder voorbeelden met een hoge resolutie te hoeven zien."

Methode en aanpak:ze gebruikten NVIDIA Tesla P100 GPU's met het cuDNN-versnelde deep learning-framework van TensorFlow. Ze trainden het systeem op 50, 000 afbeeldingen in de ImageNet-validatieset.

Quach:"Het team trainde hun noise2noise-model op 50, 000 afbeeldingen uit de ImageNet-dataset en een willekeurige verdeling van ruis aan elke afbeelding toegevoegd. Het systeem moet de omvang van de ruis in de foto inschatten en verwijderen."

De auteurs zeiden, "Onze proof-of-concept-demonstraties wijzen de weg naar aanzienlijke potentiële voordelen in deze toepassingen door de noodzaak voor mogelijk inspannende verzameling van schone gegevens weg te nemen. Natuurlijk, er is geen gratis lunch - we kunnen niet leren functies op te pikken die niet in de invoergegevens staan ​​- maar dit geldt evenzeer voor training met schone doelen."

De methode kan worden gebruikt om MRI-beelden te verbeteren, te. Dit trok de aandacht van Brandon Hill in HotHardware . "Niet alleen hebben NVIDIA en zijn academische partners Noise2Noise gebruikt om korrelige foto's te herstellen, maar ze gebruiken het ook voor Magnetic Resonance Image (MRI) scans, wat in de medische sector enorm voordelig kan zijn."

© 2018 Tech Xplore