Нейросетевые методы шумоподавления цифровых фотографий

Data Science
Зал №6

Тезисы

В работе представлены современные нейросетевые технологии для шумоподавления цифровых изображений. Данные методики основываются на использовании специальных архитектур нейронных сетей , называемых автоенкодерами, и привлечении критериев оптимизации, как простых(среднеквадратическое отклонение и абсолютное отклонение) , так и более продвинутых, например, персептуальный критерий, который использует приближенную нейросетевую модель человеческого визуального восприятия окружающего мира. Также используется генеративно-состязательная методика обучения нейросетевого автоенкодера. Внедрение состязательных и персептуальных критериев оптимизации обусловено в первую очередь широко известной проблемой размытости (так называемого блюра) итогового изображения получаемого в результате шумоподавления. Также в работе приведено сравнение с конвенциональной необучаемой методикой шумоподавления известной как Non-local means. Данная методика имеет программную реализацию в различных специализированных программных библиотеках и фреймворках (OpenCV, Matlab,FFMPEG), поэтому хорошо подходит в качестве эталона.

Аудитория и уровень

Инженеры машинного обучения, аналитики данных, инженеры компьютерного зрения.

Movavi

Кирилл Пинигин

Я исследую и разрабатываю алгоритмы искусственного интеллекта и машинного обучения для мультимедиа приложений в компании Movavi.

Я исследую и разрабатываю алгоритмы искусственного интеллекта и машинного обучения для мультимедиа приложений в компании Movavi.