AI Menolak Gambar Bising Tanpa Data Pelatihan yang Bersih

• Jaringan neural dapat menyempurnakan gambar Anda secara otomatis tanpa pernah dilatih tentang seperti apa foto bebas noise.
• Dapat digunakan dalam fotografi cahaya rendah, pencitraan resonansi magnetik, dan sintesis gambar berbasis fisik. 

Bukankah lebih baik jika Anda dapat mengambil foto dengan cahaya redup, berpiksel, atau berbintik dan menghilangkan artefak dan noise tanpa menggunakan Photoshop. Model pembelajaran mesin baru dapat melakukan hal yang sama hanya dengan mengamati sampel gambar yang rusak.

Rekonstruksi sinyal dari pengukuran yang rusak adalah bagian penting dari analisis data statistik. Saat ini, kami melihat banyak minat untuk menghindari pemodelan statistik konvensional mengenai kerusakan sinyal, karena kemajuan terkini dalam teknik pembelajaran mesin.

Para peneliti di MIT, NVIDIA dan Aalto University telah menerapkan penalaran statistik dasar untuk rekonstruksi sinyal menggunakan jaringan saraf. Ia belajar memulihkan sinyal tanpa harus melihat sinyal yang bersih.

Ini berbeda dengan metode canggih lainnya atau yang baru-baru ini mengembangkan AI peningkat gambar. Meskipun teknik pembelajaran mesin lain di bidang ini berfokus pada pelatihan jaringan saraf untuk memulihkan foto dengan menampilkan gambar yang berisik dan bersih, metode ini hanya memerlukan sepasang gambar masukan dengan butiran atau derau.

Sistem kecerdasan buatan ini dapat menyempurnakan gambar Anda secara otomatis tanpa pernah dilatih tentang seperti apa foto bebas noise.

Teknik pembelajaran mesin konvensional melibatkan pelatihan model regresi seperti jaringan saraf konvolusional dengan kumpulan data besar yang berisi pasangan masukan yang rusak (gambar berisik) dan target bersih (gambar tetap), serta mengurangi risiko empiris.

Di sisi lain, dalam metode ini, target bersih dapat dihilangkan seluruhnya, selama jaringan mampu mengamati setiap gambar sumber dua kali. Ini dapat dilatih untuk memperbaiki gambar dengan konten outlier yang signifikan (50 persen). Terkadang, performanya mengungguli model yang menggunakan contoh yang bersih. Selain itu, ini adalah tugas yang lebih murah dibandingkan mendapatkan target bersih. 

Referensi:arXiv:1803.04189 | NVIDIA

Untuk melatih jaringan pada 50.000 gambar, para peneliti menggunakan GPU NVIDIA Tesla P100 dengan framework TensorFlow yang didukung oleh library jaringan neural dalam CUDA.

Aplikasi

Ada banyak skenario dunia nyata di mana memperoleh data pelatihan yang bersih merupakan tugas yang sulit:pencitraan dengan cahaya rendah seperti fotografi astronomi, pencitraan resonansi magnetik, dan sintesis gambar berbasis fisik.

Tentu saja, jaringan tidak dapat belajar mengambil fitur yang tidak ada dalam gambar masukan, namun hal yang sama berlaku untuk pelatihan dengan target yang bersih.

Contoh rekonstruksi MRI | Atas izin peneliti

Baca:NVIDIA AI Dapat Mengonversi Video 30fps Menjadi 240fps

Dalam studi ini, para peneliti memulai dengan distribusi derau standar (termasuk derau Aditif Gaussian), dan dilanjutkan ke derau Monte Carlo yang lebih sulit dan sulit diselesaikan secara analitis dalam sintesis gambar. Mereka juga mengamati bahwa rekonstruksi gambar dari pengambilan sampel spektral sub-Nyquist di MRI (magnetic resonance imaging) hanya dapat dipelajari dari gambar yang berisik.