27 Ekim 2025
Kendi kendine denetimli öğrenmenin fotoğrafçılık, medikal ve görüntü sistemleri için yapay zeka tekniklerini kullanarak görüntüleri nasıl denoize ettiğini, gürültüyü nasıl giderdiğini ve netliği nasıl artırdığını öğrenin.
Çektiğimiz fotoğraflardan halka açık yerlerdeki kameraların kaydettiği videolara kadar görüntüler günlük hayatımızın bir parçasıdır. İçgörülü bilgiler içerirler ve en son teknoloji bu verilerin analiz edilmesini ve yorumlanmasını mümkün kılar.
Özellikle, yapay zekanın (AI) bir dalı olan bilgisayarla görme, makinelerin görsel bilgileri işlemesini ve insanların yaptığı gibi gördüklerini anlamasını sağlar. Ancak gerçek dünya uygulamalarında görüntüler genellikle mükemmel olmaktan uzaktır.
Yağmur, toz, düşük ışık veya sensör sınırlamalarından kaynaklanan görüntü gürültüsü önemli ayrıntıları gizleyerek Vision AI modellerinin nesneleri algılamasını veya sahneleri doğru bir şekilde yorumlamasını zorlaştırabilir. Görüntü denoising bu gürültüyü azaltmaya yardımcı olarak Vision AI modellerinin ayrıntıları daha net görmesini ve daha iyi tahminler yapmasını mümkün kılar.
Geleneksel olarak görüntü denoising, gürültünün nasıl giderileceğini öğrenmek için modellerin gürültülü ve temiz görüntü çiftleri kullanılarak eğitildiği denetimli öğrenmeye dayanır. Ancak, tamamen temiz referans görüntüler toplamak her zaman pratik değildir.
Araştırmacılar bu zorluğun üstesinden gelmek için kendi kendini denetleyen görüntü bozucuları geliştirdiler. Yapay zeka modellerini doğrudan verilerden öğrenecek şekilde eğitmeyi, gürültüyü gidermek ve temiz referans görüntülere ihtiyaç duymadan önemli ayrıntıları korumak için kendi öğrenme sinyallerini oluşturmayı amaçlıyorlar.
Bu makalede, kendi kendine denetimli görüntü bozucuları, nasıl çalıştıkları, arkasındaki temel teknikler ve gerçek dünyadaki uygulamalarına daha yakından bakacağız. Hadi başlayalım!
Gürültülü görüntüler, Vision AI modellerinin bir resimde ne olduğunu yorumlamasını zorlaştırabilir. Örneğin, düşük ışık koşullarında çekilen bir fotoğraf grenli veya bulanık görünebilir ve bir modelin nesneleri doğru bir şekilde tanımlamasına yardımcı olan ince özellikleri gizleyebilir.
Denetimli öğrenme tabanlıgürültü giderme yönteminde modeller, istenmeyen gürültünün nasıl giderileceğini öğrenmek için biri gürültülü diğeri temiz olan görüntü çiftleri kullanılarak eğitilir. Bu yaklaşım iyi çalışsa da, mükemmel derecede temiz referans verileri toplamak genellikle zaman alıcıdır ve gerçek dünya senaryolarında zordur.
Bu nedenle araştırmacılar kendi kendini denetleyen görüntü denoising yöntemine yönelmişlerdir. Kendi kendine denetimli görüntü denoising, modellerin verilerden kendi öğrenme sinyallerini oluşturarak kendi kendilerine öğrendikleri kendi kendine denetimli öğrenme kavramına dayanır.
Bu yöntem büyük etiketli veri kümelerine bağlı olmadığından, kendi kendine denetimli denoising daha hızlı, daha ölçeklenebilir ve temiz referans görüntülerin genellikle mevcut olmadığı düşük ışıklı fotoğrafçılık, tıbbi görüntüleme ve uydu görüntü analizi gibi alanlarda uygulanması daha kolaydır.
Bu yaklaşım, temiz referans görüntülere dayanmak yerine, maskelenmiş pikselleri tahmin ederek veya eksik parçaları yeniden yapılandırarak doğrudan gürültülü veriler üzerinde eğitim verir. Bu süreç sayesinde model, anlamlı görüntü detayları ile rastgele gürültü arasındaki farkı ayırt etmeyi öğrenerek daha net ve daha doğru çıktılar elde eder.
Denetimsiz öğrenmeye benzer görünse de, kendi kendine denetimli öğrenme aslında onun özel bir durumudur. Temel ayrım, kendi kendine denetimli öğrenmede modelin belirli bir görevi öğrenmek için verilerden kendi etiketlerini veya eğitim sinyallerini oluşturmasıdır. Buna karşılık, denetimsiz öğrenme, herhangi bir açık görev veya önceden tanımlanmış hedef olmaksızın verilerdeki gizli kalıpları veya yapıları bulmaya odaklanır.
Kendi kendine denetimli denoising ile ilgili olarak, öğrenmenin gerçekleştiği birkaç yol vardır. Bazı kendi kendini denetleyen denoise modelleri maskelenmiş veya eksik pikselleri doldururken, diğerleri tutarlı ayrıntıları bulmak için aynı görüntünün birden fazla gürültülü sürümünü karşılaştırır.
Örneğin, kör nokta öğrenimi olarak bilinen popüler bir yöntem, yeniden yapılandırdığı pikseli görmezden gelmek ve bunun yerine çevredeki bağlama güvenmek için denoiser modelini eğitmeye odaklanır. Zamanla model, temel dokuları, kenarları ve renkleri koruyarak yüksek kaliteli görüntüleri yeniden oluşturur.
Daha sonra, öz denetimli öğrenmenin gürültüyü nasıl ortadan kaldırdığının ardındaki süreci keşfedeceğiz.
Kendi kendine denetimli denoising süreci tipik olarak gürültülü görüntülerin denoising modeline beslenmesiyle başlar. Model, her belirsiz veya maskelenmiş pikselin nasıl görünmesi gerektiğini tahmin etmek için yakındaki pikselleri analiz eder ve yavaş yavaş gürültü ile gerçek görsel ayrıntılar arasındaki farkı anlamayı öğrenir.
Karanlık, grenli bir gökyüzü görüntüsü düşünün. Model, her bir gürültülü yamanın gürültü olmadan nasıl görünmesi gerektiğini tahmin etmek için yakındaki yıldızlara ve çevredeki desenlere bakar. Bu işlemi tüm görüntü boyunca tekrarlayarak, rastgele gürültüyü anlamlı özelliklerden ayırmayı öğrenir ve daha net ve daha doğru bir sonuç üretir.
Başka bir deyişle, model, mükemmel derecede temiz bir referansa ihtiyaç duymadan, bağlama dayalı olarak görüntünün daha temiz bir versiyonunu tahmin eder. Bu süreç, her biri gürültüyle başa çıkmada benzersiz güçlere sahip farklı model türleri kullanılarak uygulanabilir.
Kendi kendine denetimli görüntü denoising için yaygın olarak kullanılan model türlerine hızlıca bir göz atalım:
Bu modellerin farklı aydınlatma ve ISO ayarlarında çekilen görüntülerle eğitilmesi, birçok gerçek dünya durumunda iyi çalışmalarına yardımcı olur. Dijital kameralarda ISO ayarları, kameranın aldığı sinyali yükselterek görüntüyü ne kadar aydınlatacağını kontrol eder.
Daha yüksek bir ISO, karanlık yerlerde fotoğrafları daha parlak hale getirir ancak aynı zamanda gürültüyü artırır ve ayrıntıları azaltır. Modeller, farklı ISO seviyelerinde çekilen görüntülerden öğrenerek, gerçek ayrıntıları gürültüden ayırmada daha iyi hale gelir ve daha net ve daha doğru sonuçlar elde edilmesini sağlar.
Denoiser'lar, denoising için kullanılan model türlerinden ayrı olan farklı eğitim teknikleri aracılığıyla gürültüyü gerçek görüntü ayrıntılarından ayırmayı öğrenir. CNN'ler, oto kodlayıcılar ve dönüştürücüler gibi model türleri, ağın yapısını ve görsel bilgileri nasıl işlediğini tanımlar.
Eğitim teknikleri ise modelin nasıl öğrendiğini tanımlar. Bazı yöntemler, modelin yakındaki alanlardan gelen bilgileri kullanarak eksik veya maskelenmiş pikselleri doldurduğu bağlam tabanlı tahmin kullanır.
Diğerleri, modelin bir görüntüyü daha basit bir forma sıkıştırdığı ve ardından yeniden oluşturduğu, rastgele gürültüyü filtrelerken kenarlar ve dokular gibi anlamlı yapıları tanımasına yardımcı olduğu yeniden yapılandırmaya dayalı öğrenmeyi kullanır.
Model türü ve eğitim tekniği birlikte, bir denoiser'ın görüntüleri ne kadar etkili bir şekilde temizleyebileceğini belirler. Doğru mimariyi doğru öğrenme yaklaşımıyla birleştiren kendi kendini denetleyen görüntü gidericiler, birçok gürültü türüne uyum sağlayabilir ve temiz referans verileri olmadan bile daha net, daha doğru görüntüler üretebilir.
Kendi kendine denetimli yapay zeka görüntü denoisinginde temel teknikler
Etkili kendi kendine denetimli görüntü denoising sağlayan en yaygın kullanılan eğitim tekniklerinden bazıları şunlardır:
Görüntü denoising iki hedef arasında dikkatli bir dengedir: gürültüyü azaltmak ve ince ayrıntıları sağlam tutmak. Çok fazla denoising bir görüntünün yumuşak veya bulanık görünmesine neden olabilirken, çok az denoising ise istenmeyen gren veya artifaktlar bırakabilir.
Bir modelin bu dengeyi ne kadar iyi kurduğunu anlamak için araştırmacılar hem görüntü netliğini hem de detay korumasını ölçen değerlendirme metriklerini kullanmaktadır. Bu metrikler, bir modelin önemli görsel bilgileri kaybetmeden bir görüntüyü ne kadar iyi temizlediğini gösterir.
Görüntü kalitesini ve denoising performansını ölçmeye yardımcı olan yaygın değerlendirme metrikleri aşağıda verilmiştir:
Artık denoising'in ne olduğunu daha iyi anladığımıza göre, kendi kendine denetimli görüntü denoising'in gerçek dünya senaryolarında nasıl uygulandığını inceleyelim.
Yıldızların ve galaksilerin net fotoğraflarını çekmek kolay değildir. Gece gökyüzü karanlıktır, bu nedenle kameralar genellikle uzun pozlama süreleri gerektirir, bu da istenmeyen gürültüye neden olabilir. Bu gürültü ince kozmik detayları bulanıklaştırabilir ve zayıf sinyallerin tespit edilmesini zorlaştırabilir
Geleneksel denoising araçları gürültüyü azaltmaya yardımcı olabilir, ancak genellikle önemli ayrıntıları da beraberinde ortadan kaldırırlar. Kendi kendine denetimli denoising daha akıllı bir alternatif sunar. Yapay zeka modeli, doğrudan gürültülü görüntülerden öğrenerek gerçek özellikleri temsil eden desenleri tanıyabilir ve bunları rastgele gürültüden ayırabilir.
Sonuç olarak yıldızlar, galaksiler ve Güneş gibi gök cisimlerinin çok daha net görüntüleri elde edilir ve aksi takdirde fark edilmeyebilecek soluk ayrıntılar ortaya çıkar. Ayrıca ince astronomik özellikleri geliştirerek görüntü netliğini artırabilir ve verileri bilimsel araştırmalar için daha kullanışlı hale getirebilir.
MRI, CT ve mikroskopi görüntüleri gibi tıbbi taramalar genellikle küçük ayrıntıların görülmesini zorlaştırabilecek gürültüyü alır. Doktorların hastalığın erken belirtilerini tespit etmesi veya zaman içindeki değişiklikleri izlemesi gerektiğinde bu bir sorun olabilir.
Görüntü gürültüsü hasta hareketinden, düşük sinyal gücünden veya ne kadar radyasyon kullanılabileceğine ilişkin sınırlamalardan kaynaklanabilir. Tıbbi taramaları daha net hale getirmek için araştırmacılar Noise2Self ve diğer benzer yaklaşımlar gibi kendi kendini denetleyen denoising yöntemlerini araştırdılar.
Bu modeller doğrudan gürültülü beyin MRI görüntüleri üzerinde eğitiliyor, gürültü modellerini kendi başlarına öğreniyor ve tamamen net örneklere ihtiyaç duymadan bunları temizliyor. İşlenen görüntüler daha keskin dokular ve daha iyi kontrast göstererek ince yapıların tanımlanmasını kolaylaştırdı. Bu tür yapay zeka destekli denoiser'lar, tanısal görüntülemede iş akışını kolaylaştırıyor ve gerçek zamanlı analiz verimliliğini artırıyor.
Çoğu durumda, denoising çok çeşitli bilgisayarla görme uygulamalarında önemli bir etkiye sahiptir. İstenmeyen gürültü ve bozulmaları ortadan kaldırarak, Vision AI modellerinin işlemesi için daha temiz ve daha tutarlı giriş verileri üretir.
Daha net görüntüler, nesne algılama, örnek segmentasyonu ve görüntü tanıma gibi bilgisayarla görme görevlerinde daha iyi performans sağlar. Ultralytics YOLO11 ve Ultralytics YOLO26 gibi Vision AI modellerinin denoising işleminden faydalanabileceği bazı uygulama örnekleri aşağıda verilmiştir:
Görüntüleme sistemlerinde kendi kendine denetimli denoising kullanmanın bazı temel faydaları şunlardır:
Avantajlarına rağmen, kendi kendine denetimli denoising aynı zamanda bazı sınırlamalarla birlikte gelir. İşte dikkate alınması gereken birkaç faktör:
Kendi kendine denetimli denoising, yapay zeka modellerinin doğrudan gürültülü görüntülerden öğrenmesine yardımcı olarak ince ayrıntıları korurken daha net sonuçlar üretir. Düşük ışık, yüksek ISO ve ayrıntılı görüntüler gibi çeşitli zorlu senaryolarda etkili bir şekilde çalışır. Yapay zeka gelişmeye devam ettikçe, bu tür teknikler muhtemelen çeşitli bilgisayarla görme uygulamalarında önemli bir rol oynayacaktır.
Topluluğumuza katılın ve yapay zeka hakkında daha fazlasını keşfetmek için GitHub depomuzu keşfedin. Kendi Vision AI projenizi oluşturmak istiyorsanız lisanslama seçeneklerimize göz atın. Çözüm sayfalarımızı ziyaret ederek sağlık hizmetlerinde yapay zeka ve perakendede Vision AI gibi uygulamalar hakkında daha fazlasını keşfedin.
