KI entrauscht verrauschte Bilder ohne saubere Trainingsdaten

• Neural Networks verbessern Bilder automatisch – ohne je auf rauschfreie Fotos trainiert worden zu sein.
• Anwendbar: Low-Light Photography, Magnetresonanztomographie (MRT), Physically-Based Image Synthesis.

Wäre es nicht toll: Low-Light, verpixelte oder verrauschte Fotos von Artefakten & Rauschen befreien – ohne Photoshop? Neues ML-Modell macht genau das: durch bloßes Beobachten korrupter Bildsamples.

Signal Reconstruction aus korrupten Measurements: entscheidender Teil statistischer Datenanalyse. Zunehmendes Interesse an Vermeidung konventioneller statistischer Modeling von Signal Corruptions – dank Advances in ML Techniques.

Forscher von MIT, NVIDIA, Aalto University: Basic Statistical Reasoning für Signal Reconstruction via Neural Networks. Lernen Signal Restoration – ohne je Clean Images gesehen zu haben.

Unterschied zu State-of-the-Art & aktuellen Image-Enhancing AI: Andere ML-Techniken trainieren Neural Network mit Paaren (Noisy Input + Clean Target) & minimieren Empirisches Risiko. Diese Methode: Clean Targets komplett entbehrlich, solange Network jedes Source Image zweimal beobachten kann. Trainiert Fix von Bildern mit signifikanten (50 %) Outlier Content. Teils Outperformance vs. Clean Exemplar Models. Günstiger als Clean Target Acquisition.

Referenz: arXiv:1803.04189 | NVIDIA

Training auf 50.000 Images: NVIDIA Tesla P100 GPUs mit TensorFlow Framework powered by CUDA Deep Neural Network Library.

Anwendungen

Zahlreiche Real-World Scenarios: Clean Training Data Acquisition tough – Low-Light Imaging (Astronomical Photography), MRT, Physically-Based Image Synthesis.

Offensichtlich: Network kann Features nicht lernen, die nicht in Input Images vorhanden – gilt aber auch für Training mit Clean Targets.

MRT Rekonstruktion Beispiel | Courtesy of researchers

Lesen Sie auch: NVIDIA KI konvertiert 30fps Videos zu 240fps

Studie: Start mit Standard Noise Distribution (Additive Gaussian Noise) → fortgesetzt zu tougher, analytisch intractable Monte Carlo Noise in Image Synthesis. Beobachtung: Image Reconstruction aus Sub-Nyquist Spectral Sampling in MRT erlernbar aus Noisy Images only.