Tradicionalmente, una foto vieja, mal tomada, o hecha en condiciones poco favorables para las capacidades de la cámara, tiene características como el ruido, que no permiten apreciarla en su totalidad, y a veces hasta la arruinan completamente. Ahora, un nuevo desarrollo de inteligencia artificial, podría solucionar el ruido de las fotos en gran medida.
El trabajo fue desarrollado por investigadores de NVIDIA, Aalto University y MIT, y se presentará esta semana en la Conferencia Internacional sobre Aprendizaje Automático (Machine Learning) en Estocolmo, Suecia.
El reciente desarrollo de aprendizaje profundo (Deep Learning) en el campo, se ha centrado en el entrenamiento de una red neuronal para restaurar imágenes, lo cual se ha conseguido mostrando figuras con ruido, y su equivalente en limpio. La IA luego aprende cómo compensar la diferencia.
Este nuevo método difiere porque solo requiere dos imágenes de entrada con el ruido o el grano. Sin que se muestre nunca qué aspecto tiene una imagen sin ruido, esta IA puede eliminar artefactos, ruido, veteado y mejorar automáticamente las fotos.
«Es posible aprender a restaurar las señales sin observar las fotos limpias, en el rendimiento a veces superior al entrenamiento utilizando ejemplos sin desperfectos», afirmaron los investigadores en su artículo.
Usando las GPU NVIDIA Tesla P100 con el marco de aprendizaje profundo TensorFlow, acelerado por cuDNN, el equipo entrenó su sistema con 50,000 imágenes en el conjunto de validación de ImageNet, y para probar el sistema, los investigadores validaron la red neuronal en tres conjuntos de datos diferentes.
«[La red neuronal] está a la par con los métodos más avanzados. que hacen uso de ejemplos limpios, utilizando precisamente la misma metodología de entrenamiento y, a menudo, sin inconvenientes apreciables en el tiempo de entrenamiento o el rendimiento».
El método incluso puede usarse para mejorar las imágenes de MRI (imágenes por resonancia magnética), lo que tal vez allane el camino para mejorar drásticamente la información visual necesaria para los diagnósticos.
| «Hay varias situaciones en el mundo real donde la obtención de datos limpios de entrenamiento es difícil: fotografía con poca luz (por ejemplo, imágenes astronómicas), renderización física y resonancia magnética», dijo el equipo. «Nuestras demostraciones de prueba de concepto señalan el camino hacia importantes beneficios potenciales en estas aplicaciones, al eliminar la necesidad de una recolección potencialmente extenuante de datos poco conseguibles. Por supuesto, no hay almuerzo gratis, no podemos aprender a recoger las características que no están allí en los datos de entrada, pero esto se aplica igualmente a la capacitación con objetivos limpios». |
El equipo presentará su trabajo en una presentación oral y un póster en la actual Conferencia Internacional sobre Aprendizaje Automático.
