Ces photos meh trop granuleuses peuvent bénéficier d'une nouvelle vie numérique grâce à une méthode élaborée par des chercheurs qui ont trouvé un moyen de réduire le bruit et les artefacts. Le bruit dans ce contexte fait référence à la distorsion visuelle, comme La classe de Cole Mettez-le - des taches qui vous empêchent de profiter de votre photo, les petits pixels colorés, parfois ressemblant à du "grain" dans la photographie argentique.

L'équipe discute de son travail dans son article, "Noise2Noise :Apprentissage de la restauration d'images sans données propres." Le papier est sur arXiv. L'équipe comprend des affiliations avec NVIDIA, Université Aalto et MIT.

(Aalto U est une université finlandaise et a été fondée en 2010 de la fusion de l'Université de technologie d'Helsinki, l'École d'économie d'Helsinki et l'Université d'art et de design d'Helsinki.)

"Cette approche basée sur l'apprentissage en profondeur a appris à réparer des photos en examinant simplement des exemples de photos corrompues uniquement, " a déclaré une publication sur le NVIDIA Developer News Center.

"Une photographie sans bruit nécessite une longue exposition... Dans ce travail, nous observons que sous convenable, circonstances courantes, nous pouvons apprendre à reconstruire des signaux uniquement à partir d'exemples corrompus, sans jamais observer de signaux clairs, et le faisons souvent aussi bien que si nous utilisions des exemples clairs."

Leur article a été présenté à l'ICML, qui signifie Conférence internationale sur l'apprentissage automatique, en Suède.

Katyanna Quach a expliqué la particularité de leur travail :« Des algorithmes de vision par ordinateur sont déjà automatiquement utilisés pour améliorer les clichés pris sur des smartphones comme le Pixel 2 ou l'iPhone X, mais ça va plus loin, " a-t-elle écrit dans Le registre . "Au lieu de nourrir les réseaux de neurones d'une paire d'images, où l'un est de haute qualité et l'autre est flou, ce dernier modèle - surnommé noise2noise - peut apprendre à nettoyer les images sans avoir besoin de voir des exemples en haute résolution."

Méthode et approche :ils ont utilisé des GPU NVIDIA Tesla P100 avec le framework d'apprentissage en profondeur TensorFlow accéléré par cuDNN. Ils ont formé le système sur 50, 000 images dans le jeu de validation ImageNet.

Quach :« L'équipe a formé son modèle noise2noise sur 50, 000 images extraites du jeu de données ImageNet et ajout d'une distribution aléatoire de bruit à chaque image. Le système doit estimer l'ampleur du bruit sur la photo et le supprimer."

Les auteurs ont dit, "Nos démonstrations de validation de principe ouvrent la voie à des avantages potentiels importants dans ces applications en supprimant le besoin d'une collecte potentiellement ardue de données propres. Bien sûr, il n'y a pas de repas gratuit - nous ne pouvons pas apprendre à saisir des caractéristiques qui ne sont pas présentes dans les données d'entrée - mais cela s'applique également à l'entraînement avec des objectifs propres."

La méthode pourrait être utilisée pour améliorer les images IRM, trop. Cela a attiré l'attention de Brandon Hill dans HotHardware . "Nvidia et ses partenaires académiques ont non seulement utilisé Noise2Noise pour aider à restaurer des photos granuleuses, mais ils l'utilisent également pour les analyses d'images par résonance magnétique (IRM), ce qui peut être extrêmement bénéfique dans le secteur médical."

© 2018 Tech Xplore