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cloudskyme

算法——贝叶斯

简介 学过概率理论的人都知道条件概率的公式:P(AB)=P(A)P(B|A)=P(B)P(A|B);即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概...

375100
来自专栏量子位

谁是真凶?《CSI:犯罪现场调查》正帮助AI提高断案能力

问耕 编译整理 量子位 出品 | 公众号 QbitAI ? 曾经的王牌美剧《CSI:犯罪现场调查》,现在成了AI用来提高断案推理能力的试验场。 这部剧集厉不厉害...

34830
来自专栏AI科技评论

干货 | AAAI 2018入选论文解读:关于网络表示学习的最新研究

AI 科技评论按:以 Facebook、Twitter、微信和微博为代表的大型社交网络的快速发展,产生了海量体现网络结构的数据。如何用合理的方式表示这些数据是网...

43760
来自专栏AI科技评论

如何玩转谷歌TensorFlow? | 牛人讲堂

AI并不是一门简单的学科,AI算法的开发和调试并没有一个统一的、集成了大量API方便调用的平台和语言,目前的人工智能开发平台仍然处于一种半蛮荒的状态。许多功能需...

35560
来自专栏AI科技评论

学界 | Ian Goodfellow和Papernot半年三篇博文,对机器学习的安全隐私来了个大起底

AI 科技评论按:随着人工智能研究的不断发展,由机器学习模型在背后提供支持的功能越来越多地开始商业化,最终用户的生活里机器学习能造成的影响也越来越大。这时候,机...

435120
来自专栏鸿的学习笔记

The Brain vs Deep Learning(一)

---这是一篇很有深度的文章,把深度学习和大脑做了比较,一步步分析,通俗却不简单。

7920
来自专栏机器之心

ICML 2018 | 英伟达提出仅使用噪点图像训练的图像增强方法,可去除照片噪点

近期在深度学习领域的研究聚焦于通过展示带噪点和清晰的图像示例对来训练神经网络修复图像。然后 AI 系统学习如何弥补差异。新方法的不同之处在于,它仅需要两张都带噪...

13940
来自专栏专知

最新综述文章推荐:自然语言生成、深度学习算法、多媒体大数据分析

【导读】专知内容组整理了最近人工智能领域相关期刊的5篇最新综述文章,为大家进行介绍,欢迎查看! 1 ▌自然语言生成综述:任务,应用,评价 ---- ---- ...

66770
来自专栏量子位

连LeCun都推荐的Fashion-MNIST数据集,是这位华人博士的成果

允中 发自 凹非寺 量子位 报道 | 公众号 QbitAI 上周六,量子位在报道中提到德国时尚圈的科学家,推出一个名叫Fashion-MNIST的数据集。这个数...

43950
来自专栏新智元

神“乐”马良:AI直接将音频转换成动画

【新智元导读】根据音乐信号预测身体的运动是一个极具挑战性的计算问题。来自Facebook、斯坦福大学和华盛顿大学的研究人员开发了一种基于深度学习的方法,该方法可...

13500

扫码关注云+社区

领取腾讯云代金券