那些過于粗糙的meh照片可以通過一種由研究人員設計的方法得到一個新的數字生活租賃，他們找到了一種減少噪音和工件的方法。在這種情況下，噪音指的是視覺失真，正如科爾的教室所說的那樣-這些斑點阻礙了你欣賞圖片的方式，這些微小的彩色像素，有時看起來像電影攝影中的“顆?！薄?/p>

研究小組在他們的論文《噪音2-噪音：在沒有清潔數據的情況下學習圖像恢復》中討論了他們的工作。論文在ar xiv上..該團隊包括與NVIDIA、阿爾托大學和麻省理工學院的聯系。

（Aalto U是芬蘭的一所大學，成立于2010年，由赫爾辛基理工大學、赫爾辛基經濟學院和赫爾辛基藝術與設計大學合并而成。）

在NVIDIA開發者新聞中心的一個帖子中說：“這種基于深度學習的方法僅僅通過查看損壞照片的例子就學會了修復照片。

“無噪音照片需要長時間曝光......在這項工作中，我們觀察到，在適當的、共同的情況下，我們可以學會只從損壞的例子中重建信號，而不需要觀察干凈的信號，而且經常做到這一點，就像我們使用干凈的例子一樣。

他們的論文在瑞典的國際機器學習會議ICML上發表。

Katyanna Quach解釋了他們工作的特殊之處：“計算機視覺算法已經被自動用于改進像Pixel2或iPhoneX這樣的智能手機上的快照，但這需要更進一步。“這種最新的模型——綽號為noise2noise——可以學習如何在不需要看到高分辨率示例的情況下清理圖像，而不是給神經網絡輸入一對高質量和模糊的圖像。”.

方法和方法：他們使用NVIDIA特斯拉P100GPU與CuDNN加速TensorFlow深度學習框架。他們在Image Net驗證集中對50，000幅圖像進行了培訓。

Quach：“研究小組對來自Image Net數據集的50,000幅圖像進行了噪聲2噪聲模型的訓練，并在每幅圖像中添加了噪聲的隨機分布。該系統必須估計照片中噪音的大小并將其移除。”

作者說，“我們的概念證明演示指出了在這些應用程序中的重要潛在好處，消除了對潛在的艱苦收集清潔數據的需求。當然，沒有免費午餐——我們不能學會獲取輸入數據中沒有的功能——但這同樣適用于有干凈目標的培訓?！?/p>

該方法也可用于增強MRI圖像。這引起了HotHardware中布蘭登·希爾的注意。“NVIDIA及其學術合作伙伴不僅使用Nise2Nois幫助恢復顆粒照片，而且他們還使用它進行磁共振圖像掃描，這在醫療部門是非常有益的?！?/p>