KI entstört verrauschte Bilder ohne saubere Trainingsdaten

• Neuronale Netze können Ihre Bilder automatisch verbessern, ohne dass Sie jemals darauf trainiert werden müssen, wie ein rauschfreies Foto aussieht.
• Es kann in der Fotografie bei schwachem Licht, der Magnetresonanztomographie und der physikalisch basierten Bildsynthese verwendet werden. 

Wäre es nicht schön, wenn Sie Ihre pixeligen oder körnigen Fotos bei schlechten Lichtverhältnissen aufnehmen und die Artefakte und das Rauschen entfernen könnten, ohne Photoshop zu verwenden? Ein neues Modell für maschinelles Lernen kann dasselbe tun, indem es einfach Muster beschädigter Bilder beobachtet.

Die Signalrekonstruktion aus verfälschten Messungen ist ein entscheidender Bestandteil der statistischen Datenanalyse. Heutzutage besteht aufgrund der jüngsten Fortschritte bei maschinellen Lerntechniken ein großes Interesse daran, die herkömmliche statistische Modellierung von Signalverfälschungen zu vermeiden.

Forscher am MIT, NVIDIA und der Aalto-Universität haben eine grundlegende statistische Argumentation auf die Signalrekonstruktion mithilfe neuronaler Netze angewendet. Es lernt, Signale wiederherzustellen, ohne jemals auf saubere zu achten.

Es unterscheidet sich von anderen hochmodernen Methoden oder der kürzlich entwickelten bildverbessernden KI. Während sich andere Techniken des maschinellen Lernens in diesem Bereich darauf konzentrieren, ein neuronales Netzwerk zu trainieren, um Fotos wiederherzustellen, indem sowohl verrauschte als auch saubere Bilder angezeigt werden, erfordert diese Methode nur ein Paar Eingabebilder mit Körnung oder Rauschen.

Dieses künstliche Intelligenzsystem kann Ihre Bilder automatisch verbessern, ohne dass Sie jemals darauf trainiert werden müssen, wie ein rauschfreies Foto aussieht.

Herkömmliche Techniken des maschinellen Lernens beinhalten das Trainieren eines Regressionsmodells wie ein Faltungs-Neuronales Netzwerk mit großen Datensätzen, die Paare aus beschädigten Eingaben (verrauschte Bilder) und sauberem Ziel (festes Bild) enthalten, und die Reduzierung des empirischen Risikos.

Andererseits können bei dieser Methode die sauberen Ziele vollständig entsorgt werden, solange das Netzwerk in der Lage ist, jedes Quellbild zweimal zu beobachten. Es kann darauf trainiert werden, Bilder mit signifikanten (50 Prozent) Ausreißerinhalten zu korrigieren. Manchmal übertrifft es das Modell mit sauberen Exemplaren. Darüber hinaus ist es eine kostengünstigere Aufgabe, als das saubere Ziel zu erhalten. 

Referenz:arXiv:1803.04189 | NVIDIA

Um das Netzwerk anhand von 50.000 Bildern zu trainieren, verwendeten die Forscher NVIDIA Tesla P100-GPUs mit dem TensorFlow-Framework, das auf der CUDA-Bibliothek für tiefe neuronale Netzwerke basiert.

Anwendungen

Es gibt zahlreiche reale Szenarien, in denen die Erfassung sauberer Trainingsdaten eine schwierige Aufgabe ist:Bildgebung bei schlechten Lichtverhältnissen wie astronomische Fotografie, Magnetresonanztomographie und physikalisch basierte Bildsynthese.

Offensichtlich kann das Netzwerk nicht lernen, Merkmale zu erkennen, die in den Eingabebildern nicht vorhanden sind, aber das Gleiche gilt für das Training mit sauberen Zielen.

Beispiel für eine MRT-Rekonstruktion | Mit freundlicher Genehmigung von Forschern

Lesen Sie:NVIDIA AI kann 30-fps-Videos in 240-fps konvertieren

In dieser Studie begannen die Forscher mit der Standardrauschverteilung (einschließlich des additiven Gaußschen Rauschens) und fuhren dann mit dem härteren, analytisch schwer beherrschbaren Monte-Carlo-Rauschen in der Bildsynthese fort. Sie beobachteten auch, dass die Bildrekonstruktion aus Sub-Nyquist-Spektralproben in der MRT (Magnetresonanztomographie) nur aus verrauschten Bildern gelernt werden kann.