अमेरिकी प्रौद्योगिकी फर्म एनवीडिया ने ऑल्टो विश्वविद्यालय और मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं के साथ मिलकर एक नया कृत्रिम बुद्धिमत्ता (एआई) सिस्टम प्रकाशित किया है, जो दानेदार या पिक्सेलेटेड चित्रों को लगभग दोषमुक्त कर सकता है। सॉफ्टवेयर शोर और कलाकृतियों को स्वचालित रूप से हटाने के लिए डीप-लर्निंग का उपयोग करता है।
कोई साफ इनपुट की आवश्यकता नहीं है
इस प्रणाली को इतना अनोखा बना दिया गया है कि यह भ्रष्ट तस्वीरों को देखने के लिए खुद को ठीक करना सिखा सकता है। पिछली छवि में गहन शिक्षण कार्य शोर और स्पष्ट छवियों की तुलना करके छवियों को बहाल करने के लिए प्रशिक्षण तंत्रिका नेटवर्क पर केंद्रित था।
हालाँकि, इस नई विधि में शोर को हटाने के लिए केवल दो दूषित चित्रों की आवश्यकता होती है। "यह संभव है कि कभी-कभी साफ-सुथरे लोगों को देखे बिना संकेतों को बहाल करना सीखें, प्रदर्शन पर कभी-कभी स्वच्छ अनुकरणियों का उपयोग करके प्रशिक्षण को पार करना" कागज को पढ़ता है।
सॉफ्टवेयर कई वास्तविक जीवन स्थितियों और क्षेत्रों में काम आएगा जहां साफ छवियां बस उपलब्ध नहीं हैं या प्राप्य नहीं हैं। इसका मतलब यह भी होगा कि, भविष्य में, फोटोग्राफरों को आदर्श प्रकाश व्यवस्था जैसी आदर्श तस्वीर लेने की स्थिति बनाने के बारे में कम चिंता करनी होगी।
"कई वास्तविक दुनिया की स्थितियां हैं जहां स्वच्छ प्रशिक्षण डेटा प्राप्त करना मुश्किल है: निम्न-प्रकाश फोटोग्राफी (जैसे, खगोलीय इमेजिंग), शारीरिक रूप से आधारित प्रतिपादन, और चुंबकीय अनुनाद इमेजिंग," पेपर की चर्चा अनुभाग को पढ़ता है। "हमारे प्रूफ-ऑफ-कॉन्सेप्ट प्रदर्शन, इन आंकड़ों में संभावित संभावित लाभों के लिए स्वच्छ डेटा की संभावित ज़ोरदार आवश्यकता को हटाकर रास्ता बताते हैं।"
शायद, सिस्टम की सबसे अच्छी संपत्ति यह है कि यह तेजी से प्रदर्शन कर सकता है, कभी-कभी केवल 7 मिनट में फ्रेम प्रदान करता है, और साथ ही पेशेवर फोटो टॉयलेटर्स की तुलना में बेहतर या बेहतर है। "[प्रणाली] अत्याधुनिक विधियों के साथ सममूल्य पर है जो स्वच्छ उदाहरणों का उपयोग करते हैं - ठीक उसी प्रशिक्षण पद्धति का उपयोग करते हुए, और अक्सर प्रशिक्षण समय या प्रदर्शन में सराहनीय कमियों के बिना," पेपर पढ़ता है।
मेडिकल इमेजिंग में अनुप्रयोग
शोधकर्ताओं ने अपने अध्ययन के एक विशेष खंड को चुंबकीय अनुनाद इमेजिंग (MRI) को समर्पित किया। यह चिकित्सा क्षेत्र उन अनुप्रयोगों में से एक है जो विशेष रूप से एक सॉफ्टवेयर से लाभान्वित हो सकते हैं जो स्वच्छ छवियों की आवश्यकता से गुजर सकते हैं।
"कई हालिया एमआरआई तकनीक स्पष्ट संकल्प को बढ़ाने का प्रयास करती हैं, उदाहरण के लिए, जेनरेटिव एडवरसरी नेटवर्क्स (जीएएन) (क्वान एट अल।, 2017)। हालांकि, पीएसएनआर के संदर्भ में, हमारे परिणाम उनके रिपोर्ट किए गए परिणामों से काफी निकटता से मेल खाते हैं," अध्ययन के अनुसार। एमआरआई खंड।
सिस्टम की सीमाएँ हैं। शोधकर्ता बताते हैं कि यह इनपुट तस्वीरों में अनुपलब्ध तत्वों का पता नहीं लगा सकता है।
हालाँकि, स्वच्छ कमियों को लागू करने वाले सॉफ्टवेयर्स पर भी यही कमियां लागू होती हैं। "बेशक, कोई मुफ्त भोजन नहीं है - हम उन विशेषताओं को नहीं सीख सकते जो इनपुट डेटा में नहीं हैं - लेकिन यह स्वच्छ लक्ष्यों के साथ प्रशिक्षण के लिए समान रूप से लागू होता है," पेपर पढ़ता है।
टीम के तंत्रिका नेटवर्क को प्रशिक्षित किया गया था 50,000 चित्र ImageNet सत्यापन cuDNN- त्वरित TensorFlow लर्निंग फ्रेमवर्क के साथ NVIDIA Tesla P100 GPU का उपयोग करके निर्धारित किया गया है। यह तब तीन अलग-अलग डेटासेट पर मान्य किया गया था।
इस सप्ताह स्टॉकहोम, स्वीडन में मशीन लर्निंग पर अंतर्राष्ट्रीय सम्मेलन में आज काम पेश किया जाएगा।
