Dessa meh-bilder som är för korniga kan få ett nytt liv i det digitala livet genom en metod som utarbetats av forskare som hittat ett sätt att minska bruset och artefakterna. Brus i detta sammanhang hänvisar till visuell distorsion, som Coles klassrum uttryck det – fläckar som står i vägen för att njuta av din bild, de små färgade pixlarna, ibland ser ut som "korn" i filmfotografering.

Teamet diskuterar sitt arbete i sitt papper, "Noise2Noise:Lär dig bildåterställning utan rena data." Tidningen finns på arXiv. Teamet inkluderar kopplingar till NVIDIA, Aalto-universitetet och MIT.

(Aalto U är ett universitet i Finland och grundades 2010 genom sammanslagningen av Helsingfors tekniska högskola, Handelshögskolan i Helsingfors och Konstindustriella högskolan i Helsingfors.)

"Denna djupinlärningsbaserade metod har lärt sig att fixa foton genom att bara titta på exempel på skadade foton, " sa ett inlägg på NVIDIA Developer News Center.

"Ett brusfritt fotografi kräver lång exponering ... I det här arbetet, vi observerar att under lämplig, vanliga omständigheter, vi kan lära oss att rekonstruera signaler från endast korrupta exempel, utan att någonsin observera rena signaler, och gör det ofta lika bra som om vi använder rena exempel."

Deras papper presenterades på ICML, som står för International Conference on Machine Learning, i Sverige.

Katyanna Quach förklarade vad som är speciellt med deras arbete:"Datorseendealgoritmer används redan automatiskt för att förbättra bilder tagna på smartphones som Pixel 2 eller iPhone X, men detta tar saker längre, " skrev hon in Registret . "Istället för att mata neurala nätverk med ett par bilder, där en är av hög kvalitet och den andra är suddig, den här senaste modellen – med smeknamnet noise2noise – kan lära sig hur man rengör bilder utan att behöva se högupplösta exempel."

Metod och tillvägagångssätt:De använde NVIDIA Tesla P100 GPU:er med det cuDNN-accelererade TensorFlow djupinlärningsramverket. De tränade systemet på 50, 000 bilder i ImageNet-valideringsuppsättningen.

Quach:"Teamet tränade sin noise2noise-modell på 50, 000 bilder tagna från ImageNet-datauppsättningen och lagt till en slumpmässig fördelning av brus till varje bild. Systemet måste uppskatta storleken på bruset på bilden och ta bort det."

Författarna sa, "Våra proof-of-concept-demonstrationer visar vägen till betydande potentiella fördelar med dessa applikationer genom att ta bort behovet av potentiellt ansträngande insamling av ren data. Naturligtvis, det finns ingen gratis lunch – vi kan inte lära oss att plocka upp funktioner som inte finns där i indata – men det gäller även träning med rena mål."

Metoden kan användas för att förbättra MR-bilder, för. Detta fångade Brandon Hills uppmärksamhet HotHardware . "NVIDIA och dess akademiska partners har inte bara använt Noise2Noise för att återställa korniga foton, men de använder det också för magnetisk resonansbild (MRI) skanningar, vilket kan vara extremt fördelaktigt inom den medicinska sektorn."

© 2018 Tech Xplore