Mitandao ya Denoising na Deblurring
Mitandao ya kuondoa kelele na uondoaji ukungu ni miundo ya neva ambayo husafisha picha zenye kelele au ukungu, kurejesha maelezo makali kutoka kwa ingizo zenye fujo.
Muhtasari
They matter because nearly every camera, phone, and medical scanner produces imperfect images that these networks can rescue.
Dive ya kina
Denoising huondoa nafaka nasibu (mara nyingi kutoka kwa mwanga hafifu au ISO ya juu), huku kuangazia kunarudisha nyuma upakaji unaosababishwa na kutikisika, kusogezwa au kutolengwa kwa kamera. Zote mbili ni kazi za 'kurejesha picha' ambapo mtandao hujifunza kuchora ramani kutoka kwa picha iliyoharibika hadi safi. Miundo ya kina ya kawaida kama vile DnCNN ilijifunza kutabiri kelele yenyewe, kisha kuiondoa, wakati kazi baadaye ilitumia visimbuaji vya U-Net ambavyo vinabana na kuunda upya picha. Kuondoa ukungu ni kugumu zaidi kwa sababu 'kernel' ya ukungu (jinsi kila pikseli ilipakwa) kwa kawaida haijulikani, kwa hivyo mitandao ya utiaji ukungu ni lazima ikadirie kernel na picha kali. Jozi za mafunzo hufanywa kwa kuongeza kelele au kutia ukungu kimaumbile ili kusafisha picha ili mtandao uone jibu sahihi.
Ufahamu wa Kiufundi
Denoiser nyingi hutumia ujifunzaji wa mabaki: badala ya kutabiri picha safi moja kwa moja, DnCNN inatabiri mabaki ya kelele na kuiondoa, ambayo ni rahisi kuiboresha. Uondoaji ukungu mara nyingi hutumia miundo ya viwango vingi au inayojirudia ambayo huboresha picha kuwa tambarare hadi laini. Chaguo za kukokotoa za upotevu huchanganya hitilafu ya pikseli (L1/L2) na hasara za kimawazo au pinzani ili matokeo yaonekane ya asili badala ya kulainishwa kupita kiasi. Mbinu za kujisimamia kama vile Noise2Noise hata treni bila shabaha safi kwa kuweka ramani ya fremu moja yenye kelele hadi nyingine.
Athari za kimkakati
Kasi na kiwango
Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
Tengeneza chaguzi
Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
Timu na mtiririko wa kazi
Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Mustakabali wa Mitandao ya Denoising na Deblurring
Virejeshi vinavyotokana na mgawanyiko vinakuwa kiwango kipya, kikichukua denoising kama msingi wa sampuli zalishaji na kutoa maandishi mahiri na halisi. Vigezo vya uharibifu vya ulimwengu halisi (sio sanisi pekee) kama vile miundo ya SIDD inayosukuma kuelekea kelele halisi ya kamera. Tarajia urejesho wa kifaa, wa wakati halisi uliowekwa katika ISP za simu na Hangout za video, pamoja na miundo ya 'yote kwa moja' ambayo hushughulikia kelele, ukungu, mvua na ukungu pamoja. Mpaka ni kusawazisha urejeshaji wa undani wa uaminifu dhidi ya muundo unaovutia ambao haukuwepo.
Utekelezaji wa Ulimwengu Halisi
Uwekaji wa hali ya usiku ya simu mahiri na kuweka sauti ya fremu nyingi za giza kuwa picha moja safi yenye mwanga wa chini
Kuondoa ukungu wa mwendo kwenye nambari za simu au nyuso katika usalama na picha za uchunguzi
Kusafisha nafaka na vizalia vya ukandamizaji kutoka kwa video ya zamani au ya kiwango cha chini kabla ya kutiririsha
Kupunguza kelele katika vipimo vya chini vya CT na MRI ili madaktari waweze kupunguza mionzi huku wakiweka maelezo
Hatari & Walinzi
Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Ramani ya Utekelezaji
Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Denoising and Deblurring Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Mitandao ya Mabaki
Maswali yanayoulizwa mara kwa mara
What is Denoising and Deblurring Networks?
Mitandao ya kuondoa kelele na uondoaji ukungu ni miundo ya neva ambayo husafisha picha zenye kelele au ukungu, kurejesha maelezo makali kutoka kwa ingizo zenye fujo. Ni muhimu kwa sababu karibu kila kamera, simu na kichanganuzi cha matibabu hutoa picha zisizo kamilifu ambazo mitandao hii inaweza kuokoa.
Je, DnCNN inatabiri nini wakati wa mafunzo?
DnCNN hutumia ujifunzaji wa mabaki, kutabiri kelele yenyewe ili iweze kupunguzwa, ambayo ni rahisi kuliko kuunda upya picha nzima safi.
Kwa nini kufuta ukungu kwa upofu kunachukuliwa kuwa ngumu zaidi kuliko kutoa sauti?
Katika kufifisha ukungu mtandao lazima ukadirie kerneli ya ukungu isiyojulikana na picha kali mara moja, na kuifanya kuwa tatizo.
Je, jozi za mafunzo kwa mitandao hii huundwaje?
Watafiti huharibu picha safi kwa kelele iliyoigizwa au ukungu ili mtandao uwe na shabaha sahihi ya kujifunza kutoka kwayo.
Ni usanifu gani unaotumika kama uti wa mgongo wa urejeshaji wa picha?
Visimbuaji vya mtindo wa U-Net vinabana kisha kuunda upya picha kwa kuruka miunganisho ambayo huhifadhi maelezo, na kuifanya kuwa maarufu kwa urejeshaji.
Ni wazo gani kuu nyuma ya mbinu ya mafunzo ya Noise2Noise?
Noise2Noise inaonyesha unaweza kutoa mafunzo kwa kipunguza sauti kwa kutumia jozi za picha zenye kelele, kwa kuwa mtandao hujifunza mawimbi safi ya msingi unapotarajia.