Ulugbek Kamilov, vid McKelvey School of Engineering vid Washington University i St. Louis, och medförfattare lägger ut en väg till ett tydligt teoretiskt ramverk för att beskriva hur djupa neurala nätverk tar bort brus och visuella artefakter för att skapa korrekta bilder utan en komplett datauppsättning från teknologier som MRI-maskiner. Kredit:Shutterstock
Hastigheten för datainsamling i många typer av bildteknik, inklusive MRI, beror på antalet prover som tas av maskinen. När antalet insamlade prover är litet kan djupa neurala nätverk användas för att ta bort det resulterande bruset och visuella artefakterna.
Tekniken fungerar, men det finns ingen standard teoretisk ram – ingen fullständig teori – för att beskriva varför den fungerar.
I ett dokument som presenterades vid NeurIPS-konferensen i slutet av 2021, lade Ulugbek Kamilov, vid McKelvey School of Engineering vid Washington University i St. Louis, och medförfattare ut en väg till ett tydligt ramverk. Kamilov är biträdande professor vid Preston M. Green Department of Electrical &Systems Engineering och Department of Computer Science &Engineering.
Kamilovs fynd bevisar, med några få begränsningar, att en korrekt bild kan erhållas av ett djupt neuralt nätverk från mycket få prover om bilden är av den typ som kan representeras av nätverket.
Fyndet är en startpunkt mot en robust förståelse av varför djupinlärning AI kan producera korrekta bilder, sa Kamilov. Den har också potential att hjälpa till att bestämma det mest effektiva sättet att samla in prover och ändå få en korrekt bild.
