IA débruite images bruitées sans données d'entraînement propres

• Réseaux neuronaux améliorent automatiquement photos sans jamais être entraînés sur à quoi ressemble photo sans bruit.
• Utilisable photographie faible lumière, imagerie résonance magnétique (IRM), synthèse image physique-based.

Sympa si photos faible lumière, pixelisées, granuleuses → artefacts/bruit supprimés sans Photoshop. Nouveau modèle ML fait cela en observant simplement échantillons images corrompues.

Reconstruction signal mesures corrompues : partie cruciale analyse données statistiques. Aujourd'hui : grand intérêt éviter modélisation statistique conventionnelle corruptions signal, grâce avancées récentes ML.

Chercheurs MIT, NVIDIA, Aalto University : raisonnement statistique basique reconstruction signal réseaux neuronaux. Apprend restaurer signaux sans jamais regarder propres.

Différent autres méthodes state-of-the-art ou IA amélioration image récentes. Autres techniques ML ce domaine : entraîner réseau neuronal restaurer photos montrant paires noisy/clean. Cette méthode : seulement nécessite paire images input avec grain/bruit.

Ce système IA améliore automatiquement photos sans jamais être entraîné sur photo noise-free.

Techniques ML conventionnelles : entraîner modèle régression type CNN larges datasets paires inputs corrompus (images bruitées) et targets clean (image fixée), réduire risque empirique.

Cette méthode : targets clean jetables complètement, tant que réseau observe chaque image source deux fois. Entraînable fixer images avec contenu outlier significatif (50 %). Parfois surpasse modèle utilisant exemplaires clean. Moins coûteux qu'obtenir target clean.

Référence : arXiv:1803.04189 | NVIDIA

Entraînement réseau 50 000 images : GPUs NVIDIA Tesla P100 + TensorFlow framework powered by CUDA deep neural network library.

Applications

Nombreux scénarios real-world où acquisition données entraînement clean difficile : imagerie faible lumière (photo astronomique), IRM, synthèse image physique-based.

Évidemment, réseau ne peut apprendre features pas présentes images input, mais vrai aussi entraînement clean targets.

Exemple reconstruction IRM | Crédit chercheurs

Lire : IA NVIDIA convertit vidéos 30fps en 240fps

Étude : chercheurs commencé distribution bruit standard (bruit Gaussien additif), continué bruit Monte Carlo analytiquement intractable synthèse image. Observé aussi : reconstruction image sous-échantillonnage spectral sous-Nyquist IRM apprenable images bruitées seulement.