人工智能无需干净的训练数据即可对噪声图像进行降噪

如果您可以在不使用 Photoshop 的情况下拍摄低光、像素化或颗粒状的照片并消除伪像和噪点，那不是很好吗？新的机器学习模型可以通过简单地观察损坏图像的样本来完成同样的任务。

从损坏的测量中重建信号是统计数据分析的关键部分。如今，由于机器学习技术的最新进展，我们看到人们对避免信号损坏的传统统计建模非常感兴趣。

麻省理工学院、英伟达和阿尔托大学的研究人员已将基本统计推理应用于使用神经网络的信号重建。它学会了恢复信号，而无需查看干净的信号。

它不同于其他最先进的方法或最近开发的图像增强人工智能。虽然该领域的其他机器学习技术侧重于训练神经网络通过显示噪声和干净的图片来恢复照片，但这种方法只需要一对带有颗粒或噪声的输入图像。

这个人工智能系统可以自动增强您的照片，而无需接受无噪照片的训练。

传统的机器学习技术涉及使用包含损坏输入（噪声图像）和干净目标（固定图像）对的大型数据集来训练回归模型（例如卷积神经网络），并降低经验风险。

另一方面，在这种方法中，只要网络能够对每个源图像观察两次，就可以完全处理干净的目标。它可以被训练来修复具有显着（50％）异常内容的图像。有时，它的性能优于使用干净示例的模型。此外，与获得清洁目标相比，这是一项更便宜的任务。

参考：arXiv:1803.04189 |英伟达

为了在 50,000 张图像上训练网络，研究人员使用了 NVIDIA Tesla P100 GPU 以及由 CUDA 深度神经网络库提供支持的 TensorFlow 框架。

在许多现实场景中，获取干净的训练数据是一项艰巨的任务：天文摄影、磁共振成像和基于物理的图像合成等低光成像。

显然，网络无法学习拾取输入图像中不存在的特征，但对于使用干净目标进行训练也是如此。

MRI 重建实例 |由研究人员提供

阅读：NVIDIA AI 可以将 30fps 视频转换为 240fps

在这项研究中，研究人员从标准噪声分布（包括加性高斯噪声）开始，然后继续研究图像合成中更难分析的蒙特卡洛噪声。他们还观察到，MRI（磁共振成像）中亚奈奎斯特光谱采样的图像重建只能从噪声图像中学习。

工业技术