Paskutiniuosius metus, pažangos giliojo mokymosi srityje leidžia žada šviesa paveikslo išaiškinimo srityje. Giluminių mokymosi metodų pagrindu paremti sprendimai įrodė, kad jie yra labai efektyvūs šalinant judėjimo išgadinimą ir gerinant vaizdo aiškumą. Sistemos, naudojančios giluminių mokymosi metodus, gali pasiekti pilną paveikslų išaiškinimą nuo pradžios iki pabaigos, išskirtinai gerais rezultatais, mokindamos smulkias dėmėse išgadinimo šalinimo mintis iš didžiulio duomenų rinkinio.
Naujoji studija, atlikta Kareduotojų mokslo akademijoje, Xidiano universitete ir Pekino universitete, yra skirta įvairioms vaizdo išgadinimo sritys šalinant išgadinimus, įskaitant jų priežastis, išgadinimų paveikslėlių duomenų rinkinius, vertinimo metodus vaizdo kokybei ir skirtingus apie akląjį judėjimo išgadinimą sukurtus metodologijas. Studija suskirsto egzistuojančius metodus į keturias klases: pagal CNN, pagal RNN, pagal GAN ir pagal transformerius paremtus metodus.
Pralaidumo spindulio (CNN) algoritmai yra plačiai naudojami vaizdo apdorojime dėl jų gebėjimo užfiksuoti erdvinę informaciją ir vietines ypatybes. Konvoliuciniai neuronų tinklai (CNN) puikiai tinka užduotims, tokoms kaip sumažinimas triukšmo ir išgadinimų šalinimas, naudojant didelio masto duomenų rinkinius treniruotei. Tačiau šie algoritmai gali turėti sunkumų, kai šalinami išgadinimai, kurie reikalauja globalios informacijos ar ilgalaikei priklausomybei užmegzti. Praplatinimo pralaidumo konvoliucija pasirodė kaip populiarus sprendimas, pažįstantis šiuos apribojimus.
Ankstyvieji dviejų etapų neuroniniai tinklai ir modernios nuo pradžios iki pabaigos sistemų yra du pagrindiniai klasių, paremiančių CNN pagrindu dirbtinįjį aklųjų išgadinimą. Ankstyvieji algoritmai buvo orientuoti į išgadinimo branduolio paveikslėlio įvertinimą ir dekonvoliucijos arba atvirkštinio filtravimo procedūras, grindžiamas šio įvertinimo. Tačiau šis požiūris dažnai nepakanka pašalinti sudėtingą tikrųjų išgadinimų scenose. Kita vertus, nuo pradžios iki pabaigos metodai per gilumines tinklas paverčia įvestą paveiktąjį vaizdą aišku naudojant neuroninius tinklus, žymiai geresnį paveikslų atstatymo kokybę.
RNN pagrindu paremti algoritmai pasitelkia erdviškai kintamąsias RNNs, imituodami išgadinimo proceso veikimą. Ji puikiai tinka užfiksuojant laiko ar sekausias priklausomybes paveikslo sekausiesiems išgadinimams, tačiau jiems gali kilti sunkumų dėl erdvinių informacijos. Dėl priežasčių RNNs dažnai derinamos su kitais struktūromis, kad būtų pasiekti optimalūs paveidų išgadinimo rezultatai.
GAN pagrindu paremti algoritmai taip pat pasiekė reikšmingą sėkmę vaizdo apdorojime. Per priešinimosi mokymąsi GANs sukurs daugiau tikroviškų ir vizualiai patrauklių aiškių vaizdų iš mėlynaus įvestiejiems duomenims. Tačiau GANs mokymas gali būti iššūkis ir reikalauja subtilaus pusiausvyros tarp generatoriaus ir diskriminuotojo tinklų, kad išvengtų problemų, tokių kaip modelio sutrikimas arba nesuderinamumas.
Paremti transformeriais algoritmai siūlo apdorojimo pranašumų užduotims, kurios reikalauja ilgalaikio priklausomybės ir globalios informacijos. Tačiau atsižvelgiant į dideles pikselių skaičiavimo iššūkius, susiduriama su dideliais apskaičiavimo kaštais.
Kaip parodo šis tyrimas, aukštos kokybės duomenų rinkiniai yra labai svarbūs gilųjį mokymąsi modeliams paveikslėlio išgadinimui mokyti. Tolimesnių pažangų ir optimizavimo atveju, gilieji mokymosi modeliai turi didelį potencialą taikomosiose srityse, tokiose kaip autonominius važiavimas, vaizdo apdorojimas ir stebėjimas.
The source of the article is from the blog lisboatv.pt