HƯỚNG DẪN AI trực quan
Mạng khử nhiễu và khử nhiễu
Mạng khử nhiễu và khử mờ là các mô hình thần kinh giúp loại bỏ các hình ảnh nhiễu hoặc mờ, khôi phục chi tiết sắc nét từ các đầu vào lộn xộn.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Chúng quan trọng vì gần như mọi máy ảnh, điện thoại và máy quét y tế đều tạo ra những hình ảnh không hoàn hảo mà các mạng này có thể giải cứu.
Lặn sâu
Tính năng khử nhiễu sẽ loại bỏ các hạt ngẫu nhiên (thường do ánh sáng yếu hoặc ISO cao), trong khi tính năng khử mờ sẽ đảo ngược hiện tượng nhòe do rung máy, chuyển động hoặc mất nét. Cả hai đều là nhiệm vụ 'khôi phục hình ảnh' trong đó mạng học cách ánh xạ từ hình ảnh bị xuống cấp sang hình ảnh sạch. Các mô hình sâu cổ điển như DnCNN đã học cách tự dự đoán tiếng ồn, sau đó loại bỏ nó, trong khi công việc sau này sử dụng bộ giải mã-mã hóa U-Net để nén và tái tạo lại hình ảnh. Việc khử mờ khó hơn vì 'hạt nhân' mờ (cách mỗi pixel bị nhòe) thường không xác định được, do đó, mạng khử mờ mù phải ước tính cả hạt nhân và hình ảnh sắc nét. Các cặp đào tạo được tạo ra bằng cách thêm nhiễu hoặc làm mờ một cách tổng hợp vào các bức ảnh rõ ràng để mạng nhìn thấy câu trả lời chính xác.
Triển khai trong thế giới thực
Denoising low-light smartphone images while checking that important detail remains faithful
Reducing dose-related noise in CT images or improving low-SNR MRI images without implying MRI uses ionizing radiation
Deblurring motion-smeared images when the blur pattern is uncertain
Benchmarking denoisers on real camera noise as well as synthetic corruptions
Tương lai của mạng khử nhiễu và khử nhiễu
Diffusion and other generative restoration methods are being explored for image recovery, but generated texture can differ from evidence in the input. Real-world datasets such as SIDD help evaluate smartphone denoising beyond idealized synthetic noise. The practical challenge is to improve perceptual quality while preserving details that are actually supported by the measurements.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Tốc độ và tỷ lệ. Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
- Xây dựng lựa chọn. Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
- Nhóm và quy trình làm việc. Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
coi chừng
- Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
- Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
- Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Các bước tiếp theo
- Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
- Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
- Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
- Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Denoising and Deblurring Networks quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Mạng khử nhiễu và khử nhiễu là gì?
Mạng khử nhiễu và khử mờ là các mô hình thần kinh giúp loại bỏ các hình ảnh nhiễu hoặc mờ, khôi phục chi tiết sắc nét từ các đầu vào lộn xộn. Chúng quan trọng vì gần như mọi máy ảnh, điện thoại và máy quét y tế đều tạo ra những hình ảnh không hoàn hảo mà các mạng này có thể giải cứu.
DnCNN thực sự dự đoán điều gì trong quá trình đào tạo?
DnCNN sử dụng phương pháp học dư, tự dự đoán tiếng ồn để có thể loại bỏ nó, việc này dễ dàng hơn việc tái tạo lại toàn bộ hình ảnh sạch.
Tại sao việc khử mờ mù được coi là khó hơn việc khử nhiễu?
Trong quá trình làm mờ mù, mạng phải ước tính cả hạt mờ không xác định và hình ảnh sắc nét cùng một lúc, khiến nó trở thành một vấn đề không đúng.
Các cặp đào tạo cho các mạng này thường được tạo ra như thế nào?
Các nhà nghiên cứu làm suy giảm hình ảnh sạch bằng nhiễu hoặc mờ mô phỏng để mạng có mục tiêu sạch chính xác để học hỏi.
Kiến trúc nào thường được sử dụng làm xương sống cho việc khôi phục hình ảnh?
Bộ mã hóa-giải mã kiểu U-Net nén sau đó tái tạo lại hình ảnh bằng cách bỏ qua các kết nối để bảo toàn chi tiết, khiến chúng trở nên phổ biến để khôi phục.
Ý tưởng chính đằng sau phương pháp đào tạo Noise2Noise là gì?
Noise2Noise cho thấy bạn có thể huấn luyện bộ khử nhiễu bằng cách sử dụng các cặp hình ảnh nhiễu vì mạng sẽ tìm hiểu tín hiệu sạch cơ bản theo mong đợi.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này