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。
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。
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