从没见过干净图片，英伟达AI就学会了去噪大法 | ICML论文

润滑栗 发自 凹非寺 量子位 出品 | 公众号 QbitAI

△ Noise2Noise：我有特别的降噪技巧

如今，会去噪的神经网络，早已算不上稀有物种。

不过，英伟达的Noise2Noise，和普通的降噪AI还是有些不一样。

一般训练去噪技能，就需要给神经网络，喂食成双成对的图像。

一张清晰，一张噪点满满。AI会在大量的对比中，习得去除噪音的方法。

但Noise2Noise的食谱里，没有清晰的图，只有孤单的满是噪音的图像。

即便如此，训练完成的AI依然能够了解，怎样的图像才是干净的，并以毫秒级的速度去噪。

这样的学习能力，被ICML 2018选中了。

脑补清晰的信号

Noise2Noise，是英伟达和阿尔托大学，以及麻省理工 (MIT) 共同的作品。

既然，没有清亮与浑浊相互对照，神经网络就要学习，直接把自己观察到的、充满噪点的景象，和素未谋面的、清晰的信号，建立联系 (mapping) 。

听上去可能有些匪夷所思，不过训练好的AI，只要观察图像两次，便可以轻松处理各种各样的噪音。

文章开头有高斯噪音的栗子，上图则是泊松噪音。

还有一种叫做脉冲噪音的怪兽，看上去很厉害，但瞬间就被脱了皮——

另外，清除弹幕虽然不像个有用的功能，但要还原被文字挡住的画面，也并不容易。

但Noise2Noise的疗效依然显著。

连白色建筑物的纹理，都不太看得出，修饰过的痕迹。

这些都是，用ImageNet数据集里的50,000幅图像，训练的结果。

有关键用途 · 传送门

如果，清弹幕的工作，不必劳动神经网络的大驾，那么处理医学影像，应该算得上重要的应用场景了。

头部核磁检查的去噪结果，或许可以帮助医学工作者，做出更有效的诊断。

感觉有用的各位，请前往以下地址查看论文：

https://arxiv.org/pdf/1803.04189.pdf

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态