IA elimina ruido de imágenes sin datos de entrenamiento limpios

Las redes neuronales pueden mejorar automáticamente tus fotos sin haber sido entrenadas nunca en cómo se ve una foto sin ruido. Se aplica en fotografía con poca luz, resonancia magnética y síntesis de imágenes basada en física.

Reconstrucción de señales sin ejemplos limpios

¿No sería genial poder tomar tus fotos con poca luz, pixeladas o granuladas y eliminar artefactos y ruido sin usar Photoshop? Un nuevo modelo de aprendizaje automático lo logra simplemente observando muestras de imágenes corruptas.

La reconstrucción de señales a partir de mediciones corruptas es crucial en análisis estadístico de datos. Hoy vemos gran interés en evitar el modelado estadístico convencional de corrupciones de señal, gracias a avances recientes en técnicas de aprendizaje automático.

Investigadores de MIT, NVIDIA y Universidad de Aalto aplicaron razonamiento estadístico básico a la reconstrucción de señales usando redes neuronales. Aprende a restaurar señales sin ver nunca ejemplos limpios.

Esto difiere de otros métodos de vanguardia o IA de mejora de imagen recientes. Mientras otras técnicas entrenan una red neuronal mostrando pares de fotos ruidosas y limpias, este método solo requiere un par de imágenes de entrada con grano o ruido.

Este sistema de IA puede mejorar automáticamente tus fotos sin ser entrenado en cómo se ve una foto sin ruido.

Diferencia con métodos convencionales

Las técnicas convencionales entrenan 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 arreglada), minimizando el riesgo empírico.

En este método, los objetivos limpios pueden desecharse por completo, siempre que la red observe cada imagen de origen dos veces. Puede entrenarse para arreglar imágenes con contenido atípico significativo (50 por ciento). A veces, supera al modelo que usa ejemplos limpios. Además, es menos costoso que obtener el objetivo limpio.

Referencia: arXiv:1803.04189 | NVIDIA

Para entrenar la red en 50.000 imágenes, los investigadores usaron GPUs NVIDIA Tesla P100 con framework TensorFlow potenciado por librería CUDA de redes neuronales profundas.

Aplicaciones

Hay numerosos escenarios reales donde obtener datos de entrenamiento limpios es difícil: imágenes con poca luz como fotografía astronómica, resonancia magnética y síntesis de imágenes basada en física.

Obviamente, la red no puede aprender a detectar características que no están en las imágenes de entrada, pero lo mismo ocurre al entrenar con objetivos limpios.

Ejemplo de reconstrucción MRI | Cortesía de investigadores

En este estudio, empezaron con distribución de ruido estándar (incluyendo ruido gaussiano aditivo) y continuaron con el más difícil ruido Monte Carlo analíticamente intratable en síntesis de imágenes. También observaron que la reconstrucción de imágenes a partir de muestreo espectral sub-Nyquist en MRI puede aprenderse solo de imágenes ruidosas.