您的位置: 首页 >科技 >

研究团队探索模型来修复照片中的噪音

2019-06-13 16:25:10 编辑: 来源:
导读 那些过于颗粒状的meh照片可以通过研究人员研究出一种减少噪音和伪影的方法,为数字生活带来新的契机。在这种情况下,噪音指的是视觉扭曲,

那些过于颗粒状的meh照片可以通过研究人员研究出一种减少噪音和伪影的方法,为数字生活带来新的契机。在这种情况下,噪音指的是视觉扭曲,因为Cole的课堂设置了斑点,这些斑点妨碍了你的画面,微小的彩色像素,有时在电影摄影中看起来像“颗粒”。

该团队在他们的论文“Noise2Noise:没有干净数据的学习图像恢复”中讨论了他们的工作。论文是关于arXiv的。该团队包括与NVIDIA,阿尔托大学和麻省理工学院的关系。

(Aalto U是芬兰的一所大学,成立于2010年,由赫尔辛基理工大学,赫尔辛基经济学院和赫尔辛基艺术与设计大学合并而成。

“这种基于深度学习的方法已经学会了通过简单地查看损坏的照片的示例来修复照片,”NVIDIA 开发者新闻中心的一篇帖子说道。

“无噪音的照片需要长时间曝光......在这项工作中,我们观察到在合适的常见情况下,我们可以学习仅从损坏的例子中重建信号,而不会观察到干净的信号,并且通常也会这样做就像我们使用干净的例子一样。“

Katyanna Quach解释了他们的工作有什么特别之处:“计算机视觉算法已经被自动用于改进像Pixel 2或iPhone X这样的智能手机拍摄的快照,但这会让事情更进一步,”她在The Register中写道。“这种最新型号 - 昵称为noise2noise - 可以学习如何清洁图像,而无需查看高分辨率的示例,而不是为神经网络提供一对图像,其中一个是高质量而另一个是模糊的。”

方法和方法:他们使用NVIDIA Tesla P100 GPU和cuDNN加速的TensorFlow深度学习框架。他们在ImageNet验证集中对50,000个图像进行了系统训练。

Quach:“团队在从ImageNet数据集中拍摄的50,000张图像上训练了他们的noise2noise模型,并为每张图像添加了随机噪声分布。系统必须估计照片中噪声的大小并将其移除。”

作者说:“我们的概念验证演示通过消除对可能收集的清洁数据的需求,指出了在这些应用中获得显着潜在利益的方法。当然,没有免费午餐 - 我们无法学习如何获取功能输入数据中没有 - 但这同样适用于清洁目标的培训。“


免责声明:本文由用户上传,如有侵权请联系删除!

最新文章

精彩推荐

图文推荐

点击排行

2016-2022 All Rights Reserved.平安财经网.复制必究 联系QQ   备案号:

本站除标明“本站原创”外所有信息均转载自互联网 版权归原作者所有。

邮箱:toplearningteam#gmail.com (请将#换成@)