Ricercatori di Nvidia, Aalto University e MIT presenteranno questa settimana in Svezia, durante l'International Conference on Machine Learning di Stoccolma, lo studio su un approccio basato sul deep learning che permette di prendere le foto scattate a bassa luci e rimuovere automaticamente rumore e artefatti.
Il nuovo sistema messo a punto dai ricercatori è in grado di fare tutto ciò, correggendo foto sgranate e pixelate, imparando proprio da un insieme di esempi di foto corrotte, senza far riferimento a esempi "puliti".
"Il lavoro nell'ambito del deep learning si è concentrato sull'addestramento di una rete neurale per ripristinare le immagini mostrando coppie con rumore e pulite. L'intelligenza artificiale impara quindi a colmare la differenza. Questo metodo differisce perché richiede solo due immagini con rumore o sgranate", spiegano i ricercatori. Insomma, questa IA può rendere le immagini perfette o quasi senza mai aver visto l'immagine senza rumore.
"È possibile imparare a ripristinare segnali senza mai osservare quelle pulite, con prestazioni che a volte superano l'allenamento usando esempi puliti. La rete neurale è alla pari con i metodi migliori che usano esempi puliti - usando esattamente la stessa metodologia di allenamento, e spesso senza apprezzabili cali in termini di tempo di allenamento o prestazioni".
Usando GPU Nvidia Tesla P100 con il framework di deep learning TensorFlow accelerato cuDNN, il team ha allenato il proprio sistema su 50.000 immagini nel database di validazione ImageNet. Per testare il sistema il team ha convalidato la rete neurale su tre differenti insiemi di dati. Il metodo può essere usato persino per migliorare l'imaging a risonanza magnetica, quindi in ambito medico.
"Ci sono diverse situazioni reali in cui ottenere dati di allenamento puliti è difficile: fotografia in condizioni di scarsa illuminazione (ad esempio le immagini astronomiche), il rendering basato sulla fisica e l'imaging a risonanza magnetica", ha affermato il team.
"Le nostre dimostrazioni indicano la strada per significativi potenziali benefici in queste applicazioni eliminando la necessità di una raccolta potenzialmente faticosa di dati puliti. Certo, non possiamo imparare a raccogliere caratteristiche che non ci sono nei dati di input, ma ciò vale anche per l'allenamento con immagini pulite".