Ağların Gürültüsünü Giderme ve Bulanıklaştırmayı Giderme
Gürültüyü gideren ve bulanıklaştıran ağlar, gürültülü veya bulanık görüntüleri temizleyen, dağınık girdilerden keskin ayrıntıları kurtaran sinir modelleridir.
Genel Bakış
They matter because nearly every camera, phone, and medical scanner produces imperfect images that these networks can rescue.
Derin Dalış
Gürültü giderme, rastgele grenleri (çoğunlukla düşük ışık veya yüksek ISO'dan) ortadan kaldırırken, bulanıklık giderme, makine sarsıntısı, hareket veya odak dışılığın neden olduğu lekelenmeyi tersine çevirir. Her ikisi de bir ağın, bozulmuş bir görüntüden temiz bir görüntüye eşlemeyi öğrendiği 'görüntü restorasyonu' görevleridir. DnCNN gibi klasik derin modeller gürültünün kendisini tahmin etmeyi ve ardından çıkarmayı öğrenirken daha sonraki çalışmalarda görüntüleri sıkıştıran ve yeniden oluşturan U-Net kodlayıcı-kod çözücüler kullanıldı. Bulanıklaştırma 'çekirdeği' (her pikselin nasıl bulaştığı) genellikle bilinmediğinden bulanıklaştırma daha zordur, bu nedenle kör bulanıklaştırma ağlarının hem çekirdeği hem de keskin görüntüyü tahmin etmesi gerekir. Eğitim çiftleri, ağın doğru cevabı görmesi için temiz fotoğraflara sentetik olarak gürültü veya bulanıklık eklenerek yapılır.
Teknik Bilgi
Birçok gürültü giderici artık öğrenmeyi kullanır: DnCNN, temiz görüntüyü doğrudan tahmin etmek yerine, kalan gürültüyü tahmin eder ve onu çıkarır; bu da optimize edilmesi daha kolaydır. Bulanıklaştırma giderme işleminde genellikle görüntüyü kabadan inceye doğru hassaslaştıran çok ölçekli veya yinelenen tasarımlar kullanılır. Kayıp işlevleri, piksel hatasını (L1/L2) algısal veya olumsuz kayıplarla birleştirir, böylece sonuçlar aşırı yumuşatılmak yerine doğal görünür. Noise2Noise gibi kendi kendini denetleyen hileler, gürültülü bir çerçeveyi diğerine eşleyerek temiz hedefler olmadan bile eğitim verir.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Gürültü Giderme ve Bulanıklaştırma Ağlarının Geleceği
Difüzyon bazlı restoratörler, gürültü gidermeyi üretken örneklemenin temeli olarak ele alan ve net, gerçekçi dokular üreten yeni standart haline geliyor. SIDD gibi gerçek dünyadaki (sadece sentetik değil) bozulma kriterleri, modelleri gerçek kamera gürültüsüne doğru itiyor. Telefon ISP'lerine ve görüntülü görüşmelere eklenen cihaz üzerinde, gerçek zamanlı restorasyonun yanı sıra gürültü, bulanıklık, yağmur ve pusla başa çıkan "hepsi bir arada" modeller bekleyebilirsiniz. Sınır, aslına sadık ayrıntı kurtarmayı, hiçbir zaman orada olmayan halüsinasyonlu dokuyla dengeliyor.
Gerçek Dünya Uygulaması
Akıllı telefon gece modu, birden fazla karanlık çerçeveyi tek bir temiz, düşük ışıklı fotoğrafta topluyor ve temizliyor
Güvenlik ve adli görüntülerde plakalardan veya yüzlerden hareket bulanıklığının kaldırılması
Akıştan önce eski veya düşük bit hızlı videodaki gren ve sıkıştırma bozukluklarını temizleme
Düşük dozlu CT ve MRI taramalarında gürültüyü azaltarak doktorların ayrıntıları korurken radyasyonu azaltabilmesini sağlar
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
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
Next guide
Artık Ağlar
Sık sorulan sorular
What is Denoising and Deblurring Networks?
Gürültüyü gideren ve bulanıklaştıran ağlar, gürültülü veya bulanık görüntüleri temizleyen, dağınık girdilerden keskin ayrıntıları kurtaran sinir modelleridir. Önemlidirler çünkü neredeyse her kamera, telefon ve tıbbi tarayıcı bu ağların kurtarabileceği kusurlu görüntüler üretir.
DnCNN eğitim sırasında aslında neyi öngörüyor?
DnCNN, gürültünün kendisini tahmin ederek çıkarılabilmesi için artık öğrenmeyi kullanır; bu, temiz görüntünün tamamını yeniden oluşturmaktan daha kolaydır.
Neden kör bulanıklaştırmanın gürültü gidermeden daha zor olduğu düşünülüyor?
Kör bulanıklaştırmada ağın hem bilinmeyen bulanıklık çekirdeğini hem de keskin görüntüyü aynı anda tahmin etmesi gerekir, bu da onu kötü konumlanmış bir sorun haline getirir.
Bu ağlar için eğitim çiftleri genellikle nasıl oluşturulur?
Araştırmacılar, temiz görüntüleri gürültü veya bulanıklık simülasyonuyla düşürür, böylece ağın öğrenebileceği doğru temiz hedefe sahip olur.
Görüntü restorasyonunun omurgası olarak yaygın olarak hangi mimari kullanılır?
U-Net tarzı kodlayıcı-kod çözücüler, ayrıntıları koruyan atlama bağlantılarıyla görüntüyü sıkıştırır ve yeniden oluşturur, bu da onları restorasyon için popüler hale getirir.
Noise2Noise eğitim yaklaşımının ardındaki temel fikir nedir?
Noise2Noise, ağ beklenti içinde altta yatan temiz sinyali öğrendiğinden, gürültü gidericiyi gürültülü görüntü çiftleri kullanarak eğitebileceğinizi gösterir.