量子位 出品 | "大众年夜众号 QbitAI
△ Noise2Noise：我有特殊的降噪技巧
如今，会去噪的神经网络，早已算不上罕有物种。
不过，英伟达的Noise2Noise，和普通的降噪AI还是有些不一样。
一样平常演习去噪技能，就须要给神经网络，喂食成双成对的图像。
一张清晰，一张噪点满满。AI会在大量的比拟中，习得去除噪音的方法。
但Noise2Noise的食谱里，没有清晰的图，只有孤单的满是噪音的图像。
即便如此，演习完成的AI依然能够理解，若何的图像才是干净的，并以毫秒级的速率去噪。
这样的学习能力，被ICML 2018选中了。
脑补清晰的旗子暗记Noise2Noise，是英伟达和阿尔托大学，以及麻省理工 (MIT) 共同的作品。
既然，没有清亮与浑浊相互对照，神经网络就要学习，直接把自己不雅观察到的、充满噪点的景象，和素未谋面的、清晰的旗子暗记，建立联系 (mapping) 。
听上去可能有些匪夷所思，不过演习好的AI，只要不雅观察图像两次，便可以轻松处理各种各样的噪音。
文章开头有泊松噪音的栗子，上图则是高斯噪音。
还有一种叫做脉冲噪音的怪兽，看上去很厉害，但瞬间就被脱了皮——
其余，打消弹幕虽然不像个有用的功能，但要还原被笔墨挡住的画面，也并不随意马虎。
但Noise2Noise的疗效依然显著。
连白色建筑物的纹理，都不太看得出润色过的痕迹。
这些都是，用ImageNet数据集里的50,000幅图像，演习的结果。
有关键用场 · 传送门如果，清弹幕的事情，不必劳动神经网络的大驾，那么处理医学影像，该当算得上主要的运用处景了。
头部核磁检讨的去噪结果，或容许以帮助医学事情者，做出更有效的诊断。
觉得有用的各位，请前往以下地址查看论文：
https://arxiv.org/pdf/1803.04189.pdf