内容来源：ATYUN AI平台
来自加利福尼亚州劳伦斯利弗莫尔国家实验室的研究人员开发了一种基于深度学习的方法，可以在不展示原始图像的情况下重建模糊的或马赛克图像。这项工作首次提供单一无监督方案来解决逆向问题。
研究人员表示，使用生成对抗网络（GAN），能够以“盲目的方式”重建图像。
GAN过去曾用于改善MRI结果，帮助人们像绘画大师一样绘画，建立视频游戏关卡，生成假的名人，甚至重建缺失像素的图像。
研究人员在研究报告中指出：“当应用于标准逆成像问题时，我们的无监督方法与基线相比具有竞争性，并且明显优于其他现有的无监督方法。即使在高度不确定的情况下，像独立组件分析这样的常规方法完全失败（如独立分量分析完全失败，即观测次数明显少于信源数量），我们也观察到我们的算法以高保真度恢复潜在信源。”
使用NVIDIA Tesla P100 GPU和cuDNN -accelerated TensorFlow深度学习框架，团队基于CelebA数据集训练系统，其中包括202,500张图片。该团队使用90％的图像进行训练，10％用于验证。
研究人员说：“通过利用GAN作为先验，我们能够从模糊图像，边缘地图以及不确定的非线性混合物中分离出来源已得到解决方案。一个关键点是，这种方法不需要知道正在解决的任务是什么。”
研究人员表示，他们将继续在更复杂的功能上训练他们的模型，他们说这可能需要更多的观察。
本文转自ATYUN人工智能媒体平台，原文链接：研究者开发深度学习方法重建模糊图像
更多推荐
扫一扫
3177
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
