新的算法将一键修复损坏的数字图像

技术可以使用人工神经网络的力量来一次处理单个图像中的多种类型的图像噪点和图像模糊。

图片来源于网络

简介:计算机科学家已经设计出一款使用人工神经网络和其衍生出的一系列修复手段对损坏图片实现一键修复的算法。通过引进高品质无污损后期人为加进去一些瑕疵的图片,研究人员测试了这套算法,并且使用这套算法成功的修复了图片。在很多案例中这种算法都要优于它的其他竞品,能够更加完美的把损坏的图片修复到它损坏前的样子。

举例:

上图:通过故意让图片模糊,加入噪点和其他缺陷,研究团队人为地降低了此库存图像的图像品质,。

下图:研究团队的新图像修复算法自动的将图像还原到近乎原始的质量。

正文:

从手机相机到治病救人的医学扫描,数字图像在人类信息沟通领域起着重要的作用。但数字图像也受到诸如模糊,粒状噪声,像素缺失和颜色损坏等一系列缺陷的影响。

由马里兰大学计算机科学家领导的小组设计出一款使用人工神经网络和其衍生技术对损坏图片实现一键修复的算法。由于该算法可以被“训练”来识别一个理想的,无损的的图像应该是什么样子,因此它(这种技术)能够同时找到单个图像中的多个缺陷。

包括瑞士伯尔尼大学成员在内的研究小组通过引进高品质无污损后期人为加进去一些瑕疵的图片测试了这套算法,并且使用这套算法成功的修复图片。在很多情况下,该算法都优于竞争对手的技术,几乎将图像恢复到原始状态。

研究人员于2017年12月5日在加州长滩举行的第31届神经信息处理系统大会上公布了他们的发现。

“传统上,有一些工具可以单独处理一张图片的每一个问题。但是任何一个这些工具都需要使用直观的假设一张好的图片应该是什么样,而且这种假设都必须手动编码到算法中,”UMD的E-Nnovate计算机科学教授和研究报告的资深作者Reginald Matthias Zwicker说。“最近,人工神经网络已经被用来解决一个又一个的问题,但是我们的算法更进一步 - 它可以同时解决各种各样的问题。

人工神经网络是一种受人脑结构启发而出现的人工智能算法。它们可以根据输入的数据组装行为模式,类似于人类大脑学习新信息的过程。例如,人脑可以通过反复暴露于特定语境中的单词和句子来学习新的语言。

通过使用由高质量无污损的被广泛应用于人工神经网络研究的图片组成的数据库,Zwicker和他的同事可以做到对他们的算法的“训练”。

由于该算法可以获取大量的数据并外推定义图像的复杂参数(包括纹理,颜色,光线,阴影和边缘的变化),因此它可以假设完美的,未损坏的图像应该是什么样子并给出具体的参数,然后,识别并修正这些新图像中新的参数与理想图片参数的偏差。

Zwicker在马里兰大学高级计算机研究所(UMIACS)说:“算法需要能够识别完好的没有品质损失的图像,这是核心因素,但是对于已经产生品质损失的图像,我们无法知道这将是什么样子。因此,我们应该首先在一个高质量的图像数据库上训练算法,然后我们给它任意的图像,它都能修改这些不完善的地方。“

Zwicker指出,也有其他几个研究小组正在沿着同样的路线工作,并设计出可以达到类似结果的算法。许多研究小组发现,只要他们的算法能去除图像中的噪点(或颗粒),许多其他的缺陷也会自动的得到解决。但是Zwicker的小组提出了一个基于这个实验结果的新的理论解释,从而发现了一个非常简单而有效的算法。

Zwicker解释道:“图像有了噪点的时候,这张图像会随机的以各种可能的维度从高质量降级到无下限的低品质,其他的品质损失,例如模糊,只会在一个维度上偏离理想状态。我们的工作揭示了修复噪点的行为是如何使所有维度恢复线性让我们能够同时解决几种类型的模糊问题的。”

Zwicker同时还表示,新算法虽然功能强大,但仍有改进空间。目前,该算法只能适用于修复图像中容易识别的“低级”结构,如锐边高对比的图像边缘(类似于抠图的高对比度)。研究人员希望继续推动该算法以识别和修复“高级”功能,包括复杂的纹理,如头发和水。

“为了识别高水平的特征,这套算法需要上下文去理解这张图片中都有什么内容,例如,假如在图片中有一张人脸,那么接近顶端的像素就有可能表示的是头发”Zwicker 说. “就像一副拼图游戏,如果你总是只能看到一片图片,那么你很难将那块碎片放进合适的位置。但是一旦你意识到了这块碎片的精确该去的位置,那么久很容易想到这各像素代表什么了。可以十分确定的是这个方法的前景广阔。

原文链接:https://www.sciencedaily.com/releases/2017/12/171205144802.htm

原文作者:University of Maryland

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏人工智能头条

《程序员》:增强学习在无人驾驶中的应用

2394
来自专栏量子位

LeCun亲授的深度学习入门课:从飞行器的发明到卷积神经网络

Root 编译整理 量子位 出品 | 公众号 QbitAI 深度学习和人脑有什么关系?计算机是如何识别各种物体的?我们怎样构建人工大脑? 这是深度学习入门者绕不...

3325
来自专栏ATYUN订阅号

新的AI风格迁移算法可以创建数百万种艺术组合

当前的风格迁移模型很大并且需要大量的计算资源来实现预期结果。为加速工作并使风格转换成为更广泛采用的工具,NVIDIA和加州大学默塞德分校的研究人员开发了一种新的...

1412
来自专栏AI科技评论

学界 | UC伯克利AI实验室发干货:用于训练神经网络抓取机器人的Dex-Net 2.0数据集

AI科技评论按:伯克利AI实验室最新发文公布了用于机器人抓取的Dexterity Network (Dex-Net) 2.0数据集,这些数据集可以用来训练根据实...

3184
来自专栏专知

基于TensorFlow的机器学习速成课程25讲视频全集(13-15讲)

1463
来自专栏AI科技评论

干货 | 如何测量 NLP 模型的性别偏见到底有多大?

AI 科技评论按:本文由 Ben Packer, Yoni Halpern, Mario Guajardo-Céspedes & Margaret Mitche...

1211
来自专栏GAN&CV

为什么深度学习几乎成了计算机视觉研究的标配?

本文转载自:https://zhuanlan.zhihu.com/p/21533690

1162
来自专栏机器之心

学界 | 复现深度强化学习结果所面临的挑战与建议

选自arXiv 机器之心编译 参与:蒋思源、路雪 本论文对强化学习顶尖试验结果的复现性进行了详细的探讨,并讨论了超参数和随机种子等变量对强化学习模型复现性的重要...

2638
来自专栏CSDN技术头条

详解苏宁门店的人脸识别技术

一个成熟的人脸识别系统通常由人脸检测、人脸最优照片选取、人脸对齐、特征提取、特征比对几个模块组成。

1582
来自专栏IT大咖说

深度学习:基于K8S的分布式Tensorflow系统

摘要 虽然TensorFlow已经成为了实现深度学习算法最受欢迎的工具之一,但要将其应用于海量数据上仍然存在效率问题。为了提高TensorFlow的运行速度,我...

4048

扫码关注云+社区