英偉達提出僅使用噪點圖像訓練的圖像增強方法，可去除照片噪點

選自Nvidia，機器之心編譯，參與：機器之心編輯部。

如果有一天，在低亮度環境中拍攝的照片中的雜訊可以被自動清除，並且自動修復失真，那將會如何？你的照片庫里是否有很多帶噪點的粗糙照片，很想修復它們？今天要介紹的這個基於深度學習的方法，僅通過觀察原始的低質量圖像就可以修復照片。這項研究由來自英偉達、阿爾託大學和 MIT 的研究者開展，將在本周的瑞典斯德哥爾摩 ICML 2018 上展示。

近期在深度學習領域的研究聚焦於通過展示帶噪點和清晰的圖像示例對來訓練神經網路修復圖像。然後 AI 系統學習如何彌補差異。新方法的不同之處在於，它僅需要兩張都帶噪點的輸入圖像來訓練。

在沒有展示無噪點圖像的情況下，這個 AI 系統也可以移除照片上的失真、噪點、顆粒，並自動增強照片。

研究人員在其論文中表示：「在沒有觀察到清晰信號的情況下，學習恢複信號並非不可能，並且有時還會超過使用清晰樣本訓練的性能。[神經網路] 與利用清晰樣本的最先進方法相當——使用完全相同的訓練方法，並且在訓練時間或表現上通常沒有明顯的缺點。」

該團隊使用 NVIDIA Tesla P100 GPU 和 cuDNN 加速的 TensorFlow 深度學習框架在 ImageNet 驗證集上對其系統進行了 50000 張圖像的訓練。

為了測試系統，他們在三個不同的數據集上驗證了神經網路。

該方法甚至可以應用在核磁共振圖像（MRI）的增強上，可能為醫學成像的大幅改進開闢一條康庄大道。

「在現實世界中想要獲得清晰的訓練數據是很困難的：微光攝影（如天文圖像）、基於物理的渲染圖像、核磁共振圖像」，研究團隊說「我們的概念驗證式的演示通過消除對於收集清晰數據的需求，來為這些應用找到潛在的益處。當然，天下沒有免費的午餐——我們無法學習獲取輸入數據中不存在的特性——但這同樣適用於清晰目標的訓練。」

該研究團隊將會在 ICML 會議上通過口頭演講和海報的形式展示他們的工作內容。你可以在 7 月 12 日星期四的監督學習口頭會議 (2:20 pm) 和 6:15 pm 海報展上與該團隊見面。

論文：Noise2Noise: Learning Image Restoration without Clean Data

論文地址：https://arxiv.org/pdf/1803.04189.pdf

我們將基本統計推理應用於機器學習的信號重構——學習將損壞的觀察結果映射到乾淨的信號上——由此得到一個簡單而有力的結論：在某些常見的情況下，可以在不觀察清晰信號的前提下學會恢複信號，達到接近或等於使用清晰樣本進行訓練的性能。我們展示了該技術在圖像雜訊去除、合成蒙特卡羅圖像降噪以及從欠採樣輸入重建核磁共振掃描中的應用，所有這些都是基於僅觀察損壞的數據。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！