Глубокое обучение с использованием неидентичных изображений?

Question

[! [Введите описание изображения здесь] [1]] [1] Я на самом деле реконструирую некоторые изображения, используя двойную фотографию. Затем я хочу обучить сеть восстанавливать четкие изображения, удаляя помехи (автоинкодер Denoising).

Вход для обучения сети - это восстановленные изображения, тогда как выходные данные - это наземные данные или стандартные тестовые изображения на основе компьютера. Теперь входные данные, например, Lena - это не совсем точная версия Lena с изображением, смещенным по позициям и некоторыми артефактами.

Если я сохраню ввод в качестве восстановленного изображения и тренировочный вывод в виде тестового изображения Lena (стандартное компьютерное тестовое изображение), это будет работать? Я только хочу знать, будет ли работать ввод / вывод или какие-либо детали, отсутствующие в одном из них (из-за некоторого обрезания), будут работать.

Answer 1

Denoising Autoencoders! Люблю это!

Нет причин не тренировать вашу модель с этими изображениями. Автоэнкодер, если он хорошо обучен, в конце концов запомнит преобразование, если будет достаточно данных.

Однако, если у вас есть «положительные» изображения, я настоятельно рекомендую вам создавать свои собственные зашумленные изображения, а затем обучаться этому. контролируемая рабочая зона. Вы упростите свою проблему, и ее будет легче решить.

Что мешает вам сделать это?

Answer 2

Это зависит от многих факторов, таких как ваши изображения для обучения и архитектура сети.

Тем не менее, вы хотите создать сеть, которая распознает шум или информацию низкого уровня, и для этой целиГенеративные состязательные сети (GAN) очень популярны. Вы можете прочитать о них здесь . Возможно, после того, как вы опробовали свой подход и если результаты неудовлетворительные, попробуйте использовать GAN, например DCGAN (Deep Convolution GAN).

Кроме того, поделитесь своими результатами с сообществом, если хотите.