Что делать, если ваши фотографии изначально сняты при слабом освещении или требуется удалить шум и артефакты?
Вы имеете зернистые изображения в вашей библиотеке фотографий и хотите их исправить?

Алгоритм, основанный на глубоком обучении, научился исправлять фотографии, просто просматривая примеры испорченных.

Эта работа была проделана исследователями из NVIDIA, Университета Аалто и Массачусетского технологического института, и на прошлой неделе представлена ​​на Международной конференции по машиноведению в Стокгольме, Швеция.

Недавняя глубокая учебная работа в этой области сосредоточена на обучении нейронной сети для восстановления изображений, показав примеры пар шумных и чистых изображений.
Искусственный интеллект узнает, как сделать разницу изображений. 

Этот метод отличается тем, что он требует только двух входных изображений с шумом или зернистостью.

Не имея изображений без шумов, новый алгоритм может удалять артефакты, шум, зерно и автоматически улучшать ваши фотографии.

«Можно научиться восстанавливать сигналы, не имея при этом чистых образцов», - заявили исследователи в своей статье.
«[Нейронная сеть] находится на одном уровне с самыми современными методами которые используют чистые образцы - используя точно ту же методику обучения и часто без существенных недостатков в времени обучения или производительности».

Используя графические процессоры  NVIDIA Tesla P100 с расширенной  cuDNN платформой TensorFlow, команда обучила систему из 50000 изображений в наборе валидации ImageNet.

Чтобы проверить систему, команда проверила нейронную сеть из трех разных наборах данных.

Этот метод можно даже использовать для улучшения изображений МРТ, возможно, прокладывая путь к радикальному улучшению медицинской визуализации.

«Существует несколько ситуаций в реальном мире, где трудно получить данные о чистой фотографии: съемка с низкой освещенностью (например, астрономическая визуализация), физическая обработка и магнитно-резонансная томография», - сказали в команде.
«Нашa демонстрация с доказательством концепции указывают путь к значительным потенциальным преимуществам в этих приложениях, устраняя необходимость в потенциально напряженном сборе чистых данных. Конечно, бесплатного обеда нет - мы не можем научиться выбирать функции, которых нет в исходных данных, но это в равной степени относится к обучению с чистыми образцами».

by news.developer.nvidia.com