AIがクリーンデータなしでノイズ画像を自動除去

低光量、ピクセル化、粒状の写真からアーティファクトとノイズをPhotoshopなしで除去できたら素敵だと思いませんか？新機械学習モデルは、腐敗した画像サンプルを単に観察するだけで同じことができます。

腐敗測定からの信号再構成は統計データ分析の重要な部分です。最近、機械学習技術の進歩により、信号腐敗の従来統計モデリングを回避する関心が高まっています。

MIT、NVIDIA、Aalto大学の研究者たちが、ニューラルネットワークを使用して基本統計的推論を信号再構成に適用しました。クリーンなものを見ることなく信号復元を学習します。

これは、この分野の他の最先端手法や最近開発された画像強化AIとは異なります。他の機械学習技術は、ノイズ画像とクリーン画像の両方を見せてニューラルネットワークを写真復元하도록訓練することに焦点を当てていますが、この手法はグレインやノイズを含む一組の入力画像ペアのみを必要とします。

この人工知能システムは、ノイズフリー写真がどのようなものか学習したことなく、自動的に画像を強化できます。

従来機械学習技術では、腐敗入力（ノイズ画像）とクリーンターゲット（修正画像）のペアを含む大規模データセットで、畳み込みニューラルネットワークのような回帰モデルを訓練し、経験的リスクを減らします。

一方、この手法では、ネットワークが各ソース画像を2回観察できる限り、クリーンターゲットを完全に廃棄できます。著しい（50%）外れ値コンテンツを含む画像修正に訓練可能。時にはクリーン模範を使用するモデルを上回ります。さらに、クリーンターゲット取得より安価なタスクです。

参照：arXiv:1803.04189 | NVIDIA

50,000画像でネットワーク訓練するため、研究者たちはNVIDIA Tesla P100 GPU、CUDA深層ニューラルネットワークライブラリで駆動されるTensorFlowフレームワークを使用しました。

応用

クリーン訓練データ取得が困難な実世界シナリオは多数あります：天文写真のような低光量イメージング、磁気共鳴画像、物理ベース画像合成。

明らかに、ネットワークは入力画像に存在しない特徴を学習できませんが、クリーンターゲット訓練でも同じことが真です。

MRI再構成例 | 研究者提供

関連記事：NVIDIA AIが30fps動画を240fpsに変換

この研究では、研究者たちは標準ノイズ分布（加法的ガウシアンノイズ含む）から始め、より困難で解析的に扱えない画像合成のモンテカルロノイズへ継続しました。また、MRI（磁気共鳴画像）でのサブナイキストスペクトルサンプリングからの画像再構成が、ノイズ画像のみから学習可能であることも観察しました。

産業技術