润滑栗 发自 凹非寺
量子位 出品 | 公众号 QbitAI

△ Noise2Noise:我有特别的降噪技巧

如今,会去噪的神经网络,早已算不上稀有物种。

不过,英伟达的Noise2Noise,和普通的降噪AI还是有些不一样。

一般训练去噪技能,就需要给神经网络,喂食成双成对的图像。

从没见过干净图片,英伟达AI就学会了去噪大法| ICML论文-深度学习中文社区

一张清晰,一张噪点满满。AI会在大量的对比中,习得去除噪音的方法。

但Noise2Noise的食谱里,没有清晰的图,只有孤单的满是噪音的图像。

即便如此,训练完成的AI依然能够了解,怎样的图像才是干净的,并以毫秒级的速度去噪。

这样的学习能力,被ICML 2018选中了。

脑补清晰的信号

Noise2Noise,是英伟达和阿尔托大学,以及麻省理工 (MIT) 共同的作品。

从没见过干净图片,英伟达AI就学会了去噪大法| ICML论文-深度学习中文社区

既然,没有清亮浑浊相互对照,神经网络就要学习,直接把自己观察到的、充满噪点的景象,和素未谋面的、清晰的信号,建立联系 (mapping) 。

听上去可能有些匪夷所思,不过训练好的AI,只要观察图像两次,便可以轻松处理各种各样的噪音。

从没见过干净图片,英伟达AI就学会了去噪大法| ICML论文-深度学习中文社区

文章开头有泊松噪音的栗子,上图则是高斯噪音

还有一种叫做脉冲噪音的怪兽,看上去很厉害,但瞬间就被脱了皮——

从没见过干净图片,英伟达AI就学会了去噪大法| ICML论文-深度学习中文社区

另外,清除弹幕虽然不像个有用的功能,但要还原被文字挡住的画面,也并不容易。

而Noise2Noise的疗效依然显著。

从没见过干净图片,英伟达AI就学会了去噪大法| ICML论文-深度学习中文社区

连白色建筑物的纹理,都不太看得出修饰过的痕迹。

从没见过干净图片,英伟达AI就学会了去噪大法| ICML论文-深度学习中文社区

这些都是,用ImageNet数据集里的50,000幅图像,训练的结果。

有关键用途 · 传送门

如果,清弹幕的工作,不必劳动神经网络的大驾,那么处理医学影像,应该算得上重要的应用场景了。

从没见过干净图片,英伟达AI就学会了去噪大法| ICML论文-深度学习中文社区

头部核磁检查的去噪结果,或许可以帮助医学工作者,做出更有效的诊断。

感觉有用的各位,请前往以下地址查看论文:

arxiv.org/pdf/1803.0418

欢迎大家关注我们的专栏:量子位 - 知乎专栏

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI· 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态