Ученые МТУСИ разработали нейросеть для улучшения качества изображений
Московский технический университет связи и информатики (МТУСИ) представил разработку в области искусственного интеллекта: нейронную сеть для улучшения качества изображений, доступную для широкого использования.
Сотрудники кафедры МКиИТ факультета «Информационные технологии» МТУСИ — д.т.н., профессор Юрий Леохин и к.т.н., доцент Тимур Фатхулин — разработали программное решение на базе нейронной сети типа автоэнкодер, способное повышать качество фотоснимков и изображений для применения в повседневной жизни и профессиональных сферах.
Технология с практическим применением
Разработка способна решать критически важные задачи, актуальные для множества отраслей — от космических исследований до дорожного строительства. Снимки дорожного полотна, фотографии космоса, изображения макро- и микромира требуют высокой детализации для проведения точного анализа и получения достоверных научных данных.
Как это работает: Автоэнкодеры — это нейронные сети, которые обучаются реконструировать входные данные на выходе. Технология позволяет удалять шумы на изображениях, восстанавливать утраченные детали и повышать четкость. Данный тип нейронных сетей был выбран после детального анализа существующих архитектур нейросетей, которые наиболее часто применяются для решения подобных задач. В ходе исследований также были определены метрики (критерии) оценки качества изображений, спроектирована уникальная архитектура автоэнкодера и осуществлено его обучение.
Ключевые особенности разработки
Главное отличие разработанной учеными из МТУСИ нейросети — высокая эффективность, выражающаяся в скорости обработки изображений и низких системных требованиях к аппаратному обеспечению конечного пользователя. Если большинство аналогичных решений требуют мощного оборудования, то разработка МТУСИ может работать на обычных компьютерах, что делает передовую технологию доступной для широкого круга пользователей.
Обучение модели проводилось на платформе Google Colab с использованием графического процессора Tesla T4. Система была обучена на 53 эпохах (из запланированных 200), после чего, показала оптимальные результаты. Было протестировано несколько моделей с различными параметрами для определения наиболее эффективной конфигурации.
Перспективы внедрения
В ближайшее время планируется адаптация разработанного программного решения для узкоспециализированных отраслей науки и техники. Технология может найти применение в: космических исследованиях — улучшение снимков с телескопов и спутников; дорожном строительстве — анализ качества дорожного полотна; промышленном контроле — детализация изображений для выявления дефектов; научных исследованиях — работа с изображениями микро- и макромира.
Источник: CNews
Login with Google
Комментарии