La IA elimina el ruido de las imágenes ruidosas sin datos de entrenamiento limpios

• Las redes neuronales pueden mejorar automáticamente tus imágenes sin tener que aprender cómo se ve una foto sin ruido.
• Se puede utilizar en fotografía con poca luz, imágenes por resonancia magnética y síntesis de imágenes basadas físicamente. 

¿No sería bueno si pudieras tomar fotos con poca luz, pixeladas o granuladas y eliminar los artefactos y el ruido sin usar Photoshop? Un nuevo modelo de aprendizaje automático puede hacer lo mismo simplemente observando muestras de imágenes corruptas.

La reconstrucción de señales a partir de mediciones corruptas es una parte crucial del análisis de datos estadísticos. Hoy en día, estamos viendo mucho interés en evitar el modelado estadístico convencional de corrupción de señales, debido a los recientes avances en las técnicas de aprendizaje automático.

Investigadores del MIT, NVIDIA y la Universidad Aalto han aplicado un razonamiento estadístico básico para la reconstrucción de señales mediante redes neuronales. Aprende a restaurar señales sin siquiera mirar las limpias.

Es diferente de otros métodos de última generación o de la IA desarrollada recientemente para mejorar las imágenes. Mientras que otras técnicas de aprendizaje automático en este campo se centran en entrenar una red neuronal para restaurar fotografías mostrando imágenes limpias y ruidosas, este método solo requiere un par de imágenes de entrada con grano o ruido.

Este sistema de inteligencia artificial puede mejorar automáticamente tus imágenes sin tener que aprender cómo se ve una foto sin ruido.

Las técnicas convencionales de aprendizaje automático implican entrenar un modelo de regresión como una red neuronal convolucional con grandes conjuntos de datos que contienen pares de entradas corruptas (imágenes ruidosas) y objetivos limpios (imagen fija), y reducir el riesgo empírico.

Por otro lado, en este método, los objetivos limpios se pueden eliminar por completo, siempre que la red pueda observar cada imagen fuente dos veces. Se puede entrenar para corregir imágenes con contenido atípico significativo (50 por ciento). A veces, supera al modelo que utiliza ejemplos limpios. Además, es una tarea menos costosa que obtener el objetivo limpio. 

Referencia:arXiv:1803.04189 | NVIDIA

Para entrenar la red con 50.000 imágenes, los investigadores utilizaron GPU NVIDIA Tesla P100 con el marco TensorFlow impulsado por la biblioteca de redes neuronales profundas CUDA.

Aplicaciones

Existen numerosos escenarios del mundo real en los que adquirir datos de entrenamiento limpios es una tarea difícil:imágenes con poca luz, como fotografías astronómicas, imágenes por resonancia magnética y síntesis de imágenes basadas físicamente.

Obviamente, la red no puede aprender a captar funciones que no están presentes en las imágenes de entrada, pero lo mismo ocurre con el entrenamiento con objetivos limpios.

Ejemplo de reconstrucción por resonancia magnética | Cortesía de investigadores

Leer:NVIDIA AI puede convertir vídeos de 30 fps a 240 fps

En este estudio, los investigadores comenzaron con una distribución de ruido estándar (incluido el ruido gaussiano aditivo) y continuaron con el ruido Monte Carlo, más resistente y analíticamente intratable, en la síntesis de imágenes. También observaron que la reconstrucción de imágenes a partir de muestreo espectral sub-Nyquist en MRI (resonancia magnética) se puede aprender únicamente a partir de imágenes ruidosas.