7月11日消息，照片光線不是很好？不用擔(dān)心，人工智能軟件可以幫你解決。

據(jù)國(guó)外媒體報(bào)道，來(lái)自英偉達(dá)(Nvidia)、芬蘭阿爾托大學(xué)(Aalto University)和美國(guó)麻省理工大學(xué)(Massachusetts Institute of Technology)的計(jì)算機(jī)科學(xué)家們訓(xùn)練了一種神經(jīng)網(wǎng)絡(luò)，可以恢復(fù)被噪聲破壞的圖像，在數(shù)毫秒內(nèi)將模糊圖像變得清晰。雖然計(jì)算機(jī)視覺(jué)算法已經(jīng)被用于改善像Googel Pixel 2和iPhone X這樣的智能手機(jī)拍攝的照片，但此項(xiàng)技術(shù)卻更進(jìn)一步。

這項(xiàng)新技術(shù)的訓(xùn)練過(guò)程與谷歌和蘋(píng)果等公司訓(xùn)練手機(jī)軟件清理圖片的方式略有不同。

這款名為noise2noise的新模型無(wú)需查看大量高分辨率樣本示例就可以學(xué)習(xí)圖像清晰化。

“我們將基本的統(tǒng)計(jì)推理應(yīng)用于通過(guò)機(jī)器學(xué)習(xí)進(jìn)行信號(hào)重建的過(guò)程中，學(xué)習(xí)將被損壞的觀察值映射到一個(gè)干凈的信號(hào)上，我們得出了一個(gè)簡(jiǎn)單而有力的結(jié)論: 在一些常見(jiàn)情況下，未觀察原始干凈的信號(hào)就學(xué)會(huì)恢復(fù)信號(hào)是有可能的。”研究者們?cè)诎l(fā)表論文的摘要中如此寫(xiě)道。

這項(xiàng)技術(shù)的理論基礎(chǔ)有點(diǎn)令人費(fèi)解，傳統(tǒng)技術(shù)更多的是通過(guò)估計(jì)低分辨率和高分辨率圖像對(duì)之間的像素值差異來(lái)最小化損失函數(shù)。

像素可以采用多種值來(lái)重建更清晰的圖像，經(jīng)過(guò)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)了將這些值平均化。在對(duì)成對(duì)的損壞圖像進(jìn)行訓(xùn)練時(shí)，如果這兩幅圖像的像素值差異與清晰的和模糊的圖像之間差異相似，同樣的方法也適用。

“這意味著，原則上，我們可以用零均值噪聲破壞神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，而不改變神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)內(nèi)容。”

模型訓(xùn)練

研究小組使用從ImageNet數(shù)據(jù)集中抽取的5萬(wàn)張圖像進(jìn)行了noise2noise模型的訓(xùn)練，并為每張圖像添加了隨機(jī)噪聲分布。系統(tǒng)必須估計(jì)圖像中噪聲的大小并將其移除。

該系統(tǒng)在三個(gè)圖像數(shù)據(jù)集中進(jìn)行了測(cè)試，這些數(shù)據(jù)集包括了建筑物圖像、人像以及醫(yī)療共振成像圖。

然而，這個(gè)模型并不能糾正所有的缺陷。它不能將圖像中鏡框外的物體拉回，也不能重新定位照片獲得最佳角度。但是當(dāng)缺乏具有足夠高分辨率的圖像來(lái)進(jìn)行樣本訓(xùn)練時(shí)，這項(xiàng)技術(shù)就非常有用了。

“現(xiàn)實(shí)情況中有時(shí)很難獲得的干凈的訓(xùn)練數(shù)據(jù)，比如：低光攝影、基于物理規(guī)則的渲染（BPR）以及磁共振成像，”研究小組說(shuō)，“對(duì)這一想法的驗(yàn)證，使我們不用再費(fèi)力收集干凈數(shù)據(jù)，就可以獲得將此技術(shù)應(yīng)用在此類情景中的潛在巨大收益。當(dāng)然，世界上沒(méi)有免費(fèi)的午餐——我們無(wú)法獲取輸入數(shù)據(jù)中不存在的特性——但這項(xiàng)技術(shù)也適用于有明確目標(biāo)的訓(xùn)練。”

這項(xiàng)研究的成果將于本周在瑞典舉行的國(guó)際機(jī)器學(xué)習(xí)大會(huì)上得到展示。