Профессор Сколтеха создал современный метод подавления шума на изображениях

Профессор Сколтеха Стаматиос Лефкиммиатис (Stamatios Lefkimmiatis) открыл новый способ подавления шума на изображениях.

2017-05-23_12-52-11Шумоподавление на изображениях играет важную роль как для работы с изображениями, так и для компьютерного зрения. Целью уменьшения шума на изображении является удаление визуальных искажений при сохранении важных особенностей распознанного изображения таких, как края и/или текстуры.

Существует множество разных подходов для подавления шума на картинках. Один из наиболее популярных — восстановление исходного изображения посредством решения многомерной задачи оптимизации c миллионами неизвестных параметров. Несмотря на свою эффективность, эта стратегия имеет два серьезных недостатка, которые препятствуют ее коммерческому применению. Во-первых, в этом подходе от пользователей требуется явное задание целевой функции, минимум которой приводил бы к желаемому результату. Во-вторых,пользователи должны найти численное решение соответствующей оптимизационной задачи.

Вопрос о выборе надлежащей целевой функции для получения ощутимого(в физическом или статистическом смысле) результата в шумоподавлении совсем нетривиален, так как различные виды функций приводят к восстановленным изображениям различного качества. Кроме того, задача поиска минимума функционала является вычислительно сложной.

Новый подход, разработанный профессором Лефкиммиатисом, основан на алгоритмах глубинного обучения нейронных сетей.

Он и его исследовательская группа создали нейронную сеть, эффективно избавляющую от шума, как черно-белые, так и цветные изображения.

В частности, профессор Лефкиммиатис и его команда предложили обучать нейронную сеть автоматическому изучению целевой функции таким образом, чтобы это приводило к оптимальному снижению шума на основе критериев качества изображения, выбранных пользователем.

Hовая нейронная сеть не только обучает целевую функцию, но также внутренне имитирует шаги оптимизацонного алгоритма для получения желаемого решения. Обучение нейронной сети может занимать много времени, но преимущество этого подхода в том, что после обучения нейронная сеть сравнительно быстро дает отличные результаты.

Кроме того, этот метод позволяет пользователям избежать необходимости принимать решения о виде целевой функции для задачи минимизации, позволив нейронной сети настраивать ее по обучающей выборке.

“В своей работе, опираясь на последние достижения в глубинном обучении, мы создали новую нейронную сеть, которая очень эффективно устраняет недостатки ранее существующих технологий для подавления шума на изображениях, и приводит к хорошим результатам за сравнительно небольшое время,” говорит профессор Лефкиммиатис.

“Ключевой компонент в создании нашей нейронной сети, который делает ее идеальной для шумоподавления и, возможно, связанных с этим вопросов таких, как разуплотнение изображения, супер-разрешение и тд. – это явное моделирование свойства нелокального самоподобия для естественных изображений. Это свойство означает, что изображения обычно состоят из паттернов, которые повторяются в разных и даже удаленных друг от друга частях изображения. Это свойство подчеркивает избыточность информации, используемой ранее в стандартных методах, основанных не на машинном обучении, и ведет в значительному улучшению качества получаемых изображений, “объясняет профессор Лефкиммиатис .

Новизна этой работы в том, что ученые создали первую глубинную нейронную сеть, универсальную для цветных и черно-белых изображений. Также эта сеть способна использовать свойство самоподобия, что дает возможность максимально эффективно различать между шумом и структурой самого изображения.

Результаты этого исследования будут представлены на CVPR – Конференции по компьютерному зрению и распознаванию паттернов, организованной американской ассоциацией IEEE. Это признанная во всем мире конференция, на которую съезжаются ведущие ученые в области компьютерного зрения со всего мира.

Контакты:
Skoltech Communications
+7 (495) 280 14 81

Tweet about this on Twitter0Share on Facebook0Pin on Pinterest0Share on Tumblr0Share on VK