Học tự giám sát cho khử nhiễu: Phân tích từng bước

Camera không phải lúc nào cũng ghi lại thế giới theo cách chúng ta nhìn thấy. Một bức ảnh chân dung chụp trong điều kiện ánh sáng yếu hoặc ảnh của một chiếc xe đang di chuyển nhanh có thể trông bị hạt, mờ hoặc biến dạng.

Cảm biến chậm, môi trường tối và chuyển động có thể tạo ra những đốm nhiễu nhỏ làm mềm các cạnh và che khuất các chi tiết quan trọng. Khi mất đi độ rõ nét này, ngay cả các hệ thống AI và học máy tiên tiến cũng có thể gặp khó khăn trong việc hiểu nội dung hình ảnh, vì nhiều hệ thống thông minh dựa vào các chi tiết tinh vi đó để hoạt động hiệu quả.

Ví dụ, computer vision là một nhánh của trí tuệ nhân tạo cho phép máy móc diễn giải hình ảnh và video. Nhưng để thực hiện việc này một cách chính xác, các mô hình vision AI cần dữ liệu hình ảnh sạch, chất lượng cao để học hỏi.

Cụ thể, các mô hình như Ultralytics YOLO11 và Ultralytics YOLO26 sắp ra mắt hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn thực thể và ước tính tư thế, đồng thời có thể được huấn luyện tùy chỉnh cho các trường hợp sử dụng khác nhau. Các tác vụ này dựa vào các tín hiệu hình ảnh rõ ràng như cạnh, kết cấu, màu sắc và các chi tiết cấu trúc tinh vi.

Khi nhiễu che khuất các tính năng này, mô hình sẽ nhận được tín hiệu huấn luyện yếu hơn, khiến việc học các mẫu chính xác trở nên khó khăn hơn. Kết quả là, ngay cả một lượng nhiễu nhỏ cũng có thể làm giảm hiệu suất trong các ứng dụng thực tế.

Trước đây, chúng ta đã xem xét cách self-supervised learning denoises images. Trong bài viết này, chúng ta sẽ đi sâu hơn vào cách các kỹ thuật khử nhiễu tự giám sát hoạt động và cách chúng giúp khôi phục thông tin hình ảnh có ý nghĩa. Hãy cùng bắt đầu!

Link to this sectionCác loại nhiễu phổ biến trong hình ảnh thực tế#

Trước khi tìm hiểu cách học tự giám sát được sử dụng trong khử nhiễu hình ảnh, trước tiên hãy cùng xem xét lại lý do tại sao hình ảnh bị nhiễu ngay từ đầu.

Hình ảnh của các đối tượng và cảnh thực tế hiếm khi hoàn hảo. Ánh sáng yếu, chất lượng cảm biến hạn chế và chuyển động nhanh có thể tạo ra các nhiễu loạn ngẫu nhiên trong từng pixel trên khắp hình ảnh. Những gián đoạn ở cấp độ pixel này, được gọi là nhiễu, làm giảm độ rõ nét tổng thể và khiến các chi tiết quan trọng khó nhìn thấy hơn.

Khi nhiễu che khuất các cạnh, kết cấu và các mẫu tinh vi, các hệ thống computer vision sẽ gặp khó khăn trong việc nhận diện đối tượng hoặc diễn giải các cảnh một cách chính xác. Các điều kiện khác nhau tạo ra các loại nhiễu khác nhau, mỗi loại ảnh hưởng đến hình ảnh theo cách riêng của nó.

Hình 1. Một ví dụ về cách nhiễu có thể gây ra sự không chắc chắn gia tăng trong hình ảnh. (Nguồn)

Dưới đây là một số loại nhiễu phổ biến nhất được tìm thấy trong hình ảnh:

• Nhiễu Gaussian: Loại nhiễu này xuất hiện dưới dạng hạt mịn, ngẫu nhiên do nhiễu cảm biến điện tử hoặc dao động nhiệt. Nó tuân theo phân phối Gaussian (chuẩn), nơi các biến thể pixel nhỏ làm mờ các chi tiết tinh vi và giảm độ sắc nét tổng thể.
• Nhiễu Poisson: Còn được gọi là nhiễu shot, loại nhiễu này xảy ra trong điều kiện ánh sáng yếu hoặc thời gian phơi sáng ngắn. Phương sai của nó tăng theo độ sáng, nhưng nhiễu thường dễ nhận thấy hơn ở các vùng tối vì ít photon được thu thập hơn, dẫn đến tỷ lệ tín hiệu trên nhiễu thấp hơn.
• Nhiễu Salt-and-pepper: Loại nhiễu này xuất hiện dưới dạng các điểm pixel đen hoặc trắng sắc nét. Nó thường do lỗi truyền dẫn, hỏng bit hoặc cảm biến camera bị lỗi, và thường dẫn đến các giá trị pixel bị thiếu hoặc bị hỏng.
• Nhiễu Speckle: Loại nhiễu này xuất hiện dưới dạng các mẫu giống như hạt, đốm và phổ biến trong chẩn đoán hình ảnh y tế, radar và siêu âm. Nó do nhiễu tín hiệu và tán xạ gây ra, làm giảm độ tương phản và khiến các cạnh khó phát hiện hơn.

Link to this sectionKhi nào bạn nên sử dụng khử nhiễu tự giám sát?#

Vậy điều gì làm cho khử nhiễu tự giám sát trở nên đặc biệt? Nó tỏa sáng trong các tình huống mà hình ảnh sạch, chuẩn (ground-truth) đơn giản là không tồn tại hoặc quá khó để thu thập.

Điều này thường xảy ra trong nhiếp ảnh ánh sáng yếu, chụp ảnh ISO cao, hình ảnh y tế và khoa học, hoặc bất kỳ môi trường nào mà nhiễu là không thể tránh khỏi và việc thu thập dữ liệu tham chiếu hoàn hảo là không thực tế. Thay vì cần các ví dụ sạch, mô hình học trực tiếp từ hình ảnh nhiễu mà bạn đã có, giúp nó thích ứng với các mẫu nhiễu cụ thể của camera hoặc cảm biến của bạn.

Khử nhiễu tự giám sát cũng là một lựa chọn tuyệt vời khi bạn muốn tăng hiệu suất của các tác vụ computer vision hạ nguồn, nhưng tập dữ liệu của bạn lại chứa đầy hình ảnh không nhất quán hoặc bị nhiễu. Bằng cách khôi phục các cạnh, kết cấu và cấu trúc rõ ràng hơn, các phương pháp này giúp các mô hình như YOLO phát hiện, phân đoạn và hiểu các cảnh một cách đáng tin cậy hơn. Tóm lại, nếu bạn đang làm việc với dữ liệu nhiễu và không có hình ảnh huấn luyện sạch, khử nhiễu tự giám sát thường mang lại giải pháp thiết thực và hiệu quả nhất.

Link to this sectionCác kỹ thuật cốt lõi thúc đẩy khử nhiễu tự giám sát#

Như chúng ta đã thấy trước đây, khử nhiễu tự giám sát là một cách tiếp cận AI dựa trên deep-learning cho phép các mô hình học trực tiếp từ hình ảnh nhiễu mà không cần dựa vào các nhãn sạch. Nó xây dựng dựa trên các nguyên tắc của self-supervised learning, nơi các mô hình tạo ra tín hiệu huấn luyện của riêng chúng từ chính dữ liệu.

Nói cách khác, một mô hình có thể tự dạy chính nó bằng cách sử dụng hình ảnh nhiễu làm cả đầu vào và nguồn tín hiệu học tập. Bằng cách so sánh các phiên bản bị hỏng khác nhau của cùng một hình ảnh hoặc dự đoán các pixel bị che, mô hình học được mẫu nào đại diện cho cấu trúc thực và mẫu nào chỉ là nhiễu. Thông qua tối ưu hóa lặp đi lặp lại và nhận dạng mẫu, mạng lưới dần cải thiện khả năng phân biệt nội dung hình ảnh có ý nghĩa với các biến thể ngẫu nhiên.

Hình 2. Ảnh gốc và ảnh đã khử nhiễu. (Nguồn)

Điều này có thể thực hiện được thông qua các chiến lược học tập cụ thể hướng dẫn mô hình tách biệt cấu trúc hình ảnh ổn định khỏi nhiễu ngẫu nhiên. Tiếp theo, hãy xem xét kỹ hơn các kỹ thuật và thuật toán cốt lõi giúp hợp lý hóa quy trình này và cách mỗi phương pháp giúp các mô hình tái tạo hình ảnh sạch hơn, đáng tin cậy hơn.

Link to this sectionCác phương pháp khử nhiễu hình ảnh theo cặp#

Nhiều phương pháp học tự giám sát sớm cho việc khử nhiễu hoạt động bằng cách so sánh hai phiên bản nhiễu của cùng một hình ảnh. Vì nhiễu thay đổi ngẫu nhiên mỗi khi hình ảnh được chụp hoặc bị hỏng, nhưng cấu trúc thực vẫn giữ nguyên, nên những khác biệt này có thể được sử dụng làm tín hiệu học tập cho mô hình.

Các cách tiếp cận này thường được gọi là các phương pháp khử nhiễu hình ảnh theo cặp vì chúng dựa vào việc sử dụng hoặc tạo ra các cặp hình ảnh nhiễu trong quá trình huấn luyện. Ví dụ, phương pháp Noise2Noise (do Jaakko Lehtinen và nhóm của ông đề xuất) huấn luyện một mô hình bằng cách sử dụng hai hình ảnh nhiễu độc lập của cùng một cảnh. Với việc các mẫu nhiễu khác nhau giữa hai phiên bản, mô hình học cách xác định các chi tiết nhất quán đại diện cho hình ảnh cơ bản thực tế.

Hình 3. Cách Noise2Noise hoạt động (Nguồn)

Theo thời gian, điều này dạy mạng lưới triệt tiêu nhiễu ngẫu nhiên và bảo tồn cấu trúc thực, mặc dù nó không bao giờ nhìn thấy hình ảnh tham chiếu sạch. Hãy xem xét một tình huống đơn giản khi bạn chụp hai bức ảnh một con đường ánh sáng yếu vào ban đêm.

Mỗi hình ảnh chứa các tòa nhà, ánh sáng và bóng đổ giống nhau, nhưng nhiễu hạt xuất hiện ở những nơi khác nhau. Bằng cách so sánh hai bức ảnh nhiễu này trong quá trình huấn luyện, một mô hình tự giám sát có thể học được mẫu hình ảnh nào ổn định và mẫu nào do nhiễu gây ra, cuối cùng cải thiện khả năng tái tạo hình ảnh sạch hơn.

Link to this sectionCác phương pháp học tự giám sát dựa trên điểm mù cho khử nhiễu#

Trong khi các phương pháp theo cặp dựa vào việc so sánh hai phiên bản bị hỏng khác nhau của cùng một hình ảnh, các phương pháp dựa trên điểm mù lại có hướng tiếp cận khác. Chúng cho phép mô hình học từ một hình ảnh nhiễu duy nhất bằng cách ẩn các pixel được chọn để mạng lưới không thể nhìn thấy các giá trị bị hỏng của chúng.

Sau đó, mô hình phải dự đoán các pixel bị ẩn chỉ sử dụng bối cảnh xung quanh. Ý tưởng cốt lõi là nhiễu mang tính ngẫu nhiên, nhưng cấu trúc cơ bản của hình ảnh thì không.

Bằng cách ngăn mô hình sao chép giá trị nhiễu của một pixel, các phương pháp điểm mù khuyến khích nó suy luận xem pixel đó nên là gì dựa trên các mẫu hình ảnh ổn định như các cạnh, kết cấu hoặc độ dốc màu gần đó. Các kỹ thuật như Noise2Void (do Alexander Krull và nhóm của ông giới thiệu) và Noise2Self (do Joshua Batson và Loïc Royer phát triển) thực hiện nguyên tắc này bằng cách che các pixel riêng lẻ hoặc các vùng lân cận nhỏ và huấn luyện mô hình để tái tạo chúng.

Các phương pháp tiên tiến hơn, bao gồm Noise2Same và PN2V, cải thiện độ bền bằng cách thực thi các dự đoán nhất quán trên nhiều phiên bản bị che hoặc bằng cách mô hình hóa rõ ràng phân phối nhiễu để ước tính sự không chắc chắn. Vì các phương pháp này chỉ yêu cầu một hình ảnh nhiễu duy nhất, chúng đặc biệt hữu ích trong các lĩnh vực mà việc chụp ảnh sạch hoặc ảnh theo cặp là không thực tế hoặc không thể, chẳng hạn như microscopy, thiên văn học, hình ảnh y sinh hoặc chụp ảnh ánh sáng yếu.

Link to this sectionCác phương pháp khử nhiễu được hỗ trợ bởi Transformer#

Hầu hết các phương pháp khử nhiễu tự giám sát theo cặp và dựa trên điểm mù đều dựa vào các mạng thần kinh tích chập (CNN) hoặc mạng khử nhiễu. CNN là một lựa chọn tuyệt vời cho các phương pháp này vì chúng tập trung vào các mẫu cục bộ, cụ thể là các cạnh, kết cấu và chi tiết nhỏ.

Architectures like U-Net được sử dụng rộng rãi vì chúng kết hợp các tính năng chi tiết với thông tin đa quy mô. Tuy nhiên, CNN chủ yếu hoạt động trong các vùng lân cận giới hạn, điều đó có nghĩa là chúng có thể bỏ lỡ các mối quan hệ quan trọng trải rộng trên các vùng lớn hơn của hình ảnh.

Các phương pháp khử nhiễu hiện đại được hỗ trợ bởi Transformer đã được giới thiệu để giải quyết hạn chế này. Thay vì chỉ nhìn vào các pixel gần đó, phương pháp được đề xuất sử dụng cơ chế chú ý (attention) để hiểu cách các phần khác nhau của hình ảnh liên quan đến nhau.

Một số mô hình sử dụng chú ý toàn cầu, trong khi các mô hình khác sử dụng chú ý theo cửa sổ hoặc phân cấp để giảm tính toán, nhưng nhìn chung, chúng được thiết kế để nắm bắt cấu trúc dài hạn mà CNN không thể làm được. Cái nhìn rộng hơn này giúp mô hình khôi phục các kết cấu lặp lại, bề mặt nhẵn hoặc các đối tượng lớn đòi hỏi thông tin từ khắp hình ảnh.

Link to this sectionCác phương pháp khử nhiễu hình ảnh khác#

Ngoài các kỹ thuật tự giám sát, còn có một số cách khác để làm sạch hình ảnh bị nhiễu. Các phương pháp truyền thống, như lọc song phương (bilateral filtering), khử nhiễu wavelet và non-local means, sử dụng các quy tắc toán học đơn giản để làm mượt nhiễu trong khi cố gắng giữ lại các chi tiết quan trọng.

Trong khi đó, các phương pháp deep-learning cũng tồn tại, bao gồm các mô hình giám sát học từ các cặp hình ảnh sạch-nhiễu và các mạng đối nghịch tạo sinh (GAN) tạo ra kết quả sắc nét, thực tế hơn. Tuy nhiên, các phương pháp này thường yêu cầu chất lượng hình ảnh tốt hơn để huấn luyện.

Link to this sectionCái nhìn từng bước về cách khử nhiễu hình ảnh tự giám sát hoạt động#

Vì chúng ta vừa xem qua một vài kỹ thuật khác nhau, bạn có thể tự hỏi liệu mỗi kỹ thuật có hoạt động theo cách hoàn toàn khác nhau hay không, vì chúng sử dụng các kiến trúc riêng của mình. Tuy nhiên, tất cả chúng đều tuân theo một quy trình tương tự bắt đầu bằng việc chuẩn bị dữ liệu và kết thúc bằng việc đánh giá mô hình.

Tiếp theo, hãy cùng xem xét kỹ hơn quy trình khử nhiễu hình ảnh tự giám sát tổng thể diễn ra như thế nào từng bước một.

Link to this sectionBước 1: Tiền xử lý và chuẩn hóa#

Trước khi mô hình có thể bắt đầu học từ hình ảnh nhiễu, bước đầu tiên là đảm bảo tất cả hình ảnh trông nhất quán. Ảnh thực tế có thể thay đổi rất nhiều.

Một số hình ảnh có thể quá sáng, số khác quá tối và một số có thể có màu hơi lệch. Nếu chúng ta đưa những biến thể này trực tiếp vào mô hình, sẽ khó khăn hơn cho nó để tập trung vào việc học xem nhiễu trông như thế nào.

Để xử lý vấn đề này, mỗi hình ảnh trải qua normalization và tiền xử lý cơ bản. Điều này có thể bao gồm việc mở rộng giá trị pixel về một phạm vi tiêu chuẩn, điều chỉnh các biến thể cường độ hoặc cắt và thay đổi kích thước. Điểm mấu chốt là mô hình nhận được dữ liệu sạch có thể được sử dụng làm đầu vào ổn định, có thể so sánh được.

Link to this sectionBước 2: Tạo tín hiệu huấn luyện tự giám sát#

Sau khi hình ảnh đã được chuẩn hóa, bước tiếp theo là tạo ra một tín hiệu huấn luyện cho phép mô hình học mà không cần nhìn thấy hình ảnh sạch. Các phương pháp khử nhiễu tự giám sát thực hiện điều này bằng cách đảm bảo mô hình không thể đơn giản sao chép các giá trị pixel nhiễu mà nó nhận được.

Thay vào đó, chúng tạo ra các tình huống mà mô hình phải dựa vào bối cảnh xung quanh của hình ảnh, vốn chứa một cấu trúc ổn định, thay vì nhiễu không thể đoán trước. Các phương pháp khác nhau đạt được điều này theo những cách hơi khác nhau, nhưng ý tưởng cốt lõi vẫn giống nhau.

Một số phương pháp tạm thời ẩn hoặc che một số pixel nhất định để mô hình phải suy luận chúng từ hàng xóm, trong khi những phương pháp khác tạo ra một phiên bản bị hỏng riêng biệt của cùng một hình ảnh nhiễu để đầu vào và mục tiêu chứa nhiễu độc lập. Trong cả hai trường hợp, hình ảnh mục tiêu mang thông tin cấu trúc có ý nghĩa nhưng ngăn mạng lưới truy cập vào giá trị nhiễu gốc của pixel mà nó được cho là phải dự đoán.

Vì nhiễu thay đổi ngẫu nhiên trong khi hình ảnh cơ bản vẫn nhất quán, thiết lập này tự nhiên khuyến khích mô hình học cách cấu trúc thực sự trông như thế nào và bỏ qua nhiễu thay đổi từ phiên bản này sang phiên bản khác.

Link to this sectionBước 3: Học khử nhiễu để khôi phục cấu trúc hình ảnh#

Với tín hiệu huấn luyện đã sẵn sàng, mô hình có thể bắt đầu học cách tách biệt cấu trúc hình ảnh có ý nghĩa khỏi nhiễu thông qua huấn luyện mô hình. Mỗi khi nó dự đoán một pixel bị che hoặc bị hỏng, nó phải dựa vào bối cảnh xung quanh thay vì giá trị nhiễu ban đầu chiếm giữ vị trí đó.

Qua nhiều lần lặp hoặc epoch, điều này dạy mạng lưới nhận ra các loại mẫu vẫn ổn định trên một hình ảnh, chẳng hạn như cạnh, kết cấu và bề mặt nhẵn. Nó cũng học cách bỏ qua các dao động ngẫu nhiên đặc trưng cho nhiễu.

Ví dụ, hãy xem xét một bức ảnh ánh sáng yếu nơi một bề mặt trông cực kỳ nhiều hạt. Mặc dù nhiễu thay đổi từ pixel này sang pixel khác, bề mặt cơ bản vẫn nhẵn. Bằng cách liên tục suy luận các pixel bị ẩn trong các vùng như vậy, mô hình dần dần trở nên tốt hơn trong việc xác định mẫu ổn định bên dưới nhiễu và tái tạo nó sạch hơn.

Thông qua quá trình huấn luyện mô hình, mạng lưới học được một biểu diễn nội tại về cấu trúc của hình ảnh. Điều này cho phép mô hình khôi phục các chi tiết mạch lạc ngay cả khi đầu vào bị hỏng nặng.

Link to this sectionBước 4: Xác thực và kết quả giảm nhiễu#

Sau khi mô hình đã học cách dự đoán các pixel bị ẩn hoặc bị hỏng, bước cuối cùng là đánh giá hiệu suất của nó trên các hình ảnh đầy đủ. Trong quá trình kiểm tra, mô hình nhận được toàn bộ hình ảnh nhiễu và tạo ra một phiên bản khử nhiễu hoàn chỉnh dựa trên những gì nó đã học về cấu trúc hình ảnh. Để đo lường mức độ hiệu quả của quy trình này, đầu ra được so sánh với các hình ảnh tham chiếu sạch hoặc tập dữ liệu benchmark tiêu chuẩn.

Hai chỉ số thường được sử dụng là PSNR (Tỷ lệ tín hiệu trên nhiễu đỉnh), đo lường mức độ gần gũi của quá trình tái tạo với ground truth sạch, và SSIM (Chỉ số tương đồng cấu trúc), đánh giá mức độ bảo tồn tốt các tính năng quan trọng như cạnh và kết cấu. Điểm số cao hơn thường cho thấy quá trình khử nhiễu chính xác và đáng tin cậy về mặt hình ảnh hơn.

Link to this sectionCác tập dữ liệu hình ảnh được sử dụng để huấn luyện và benchmarking#

Nghiên cứu khử nhiễu tự giám sát, xuất hiện trên các tạp chí IEEE và các hội nghị CVF, cùng những cái khác như CVPR, ICCV và ECCV, cũng như được phân phối rộng rãi trên arXiv, thường dựa vào sự kết hợp của các tập dữ liệu tổng hợp và thực tế để đánh giá hiệu suất mô hình của các phương pháp deep learning trong cả điều kiện được kiểm soát và thực tế. Một mặt, các tập dữ liệu tổng hợp bắt đầu bằng hình ảnh sạch và thêm nhiễu nhân tạo, giúp dễ dàng so sánh các phương pháp bằng cách sử dụng các chỉ số như PSNR và SSIM.

Dưới đây là một số tập dữ liệu phổ biến thường được sử dụng với nhiễu tổng hợp được thêm vào để benchmarking:

• Kodak24: Tập dữ liệu này cung cấp các bức ảnh cảnh tự nhiên chất lượng cao thường được sử dụng để so sánh kết quả khử nhiễu trực quan.
• DIV2K: Tập dữ liệu độ phân giải cao này chứa các hình ảnh chi tiết, đa dạng được sử dụng để đánh giá độ trung thực của kết cấu và chất lượng phục hồi tổng thể.

Mặt khác, các tập dữ liệu nhiễu thực tế chứa các hình ảnh được chụp trực tiếp từ cảm biến camera trong điều kiện ánh sáng yếu, ISO cao hoặc các điều kiện khó khăn khác. Các tập dữ liệu này kiểm tra xem một mô hình có thể xử lý nhiễu phi Gaussian phức tạp mà không dễ dàng mô phỏng được hay không.

Dưới đây là một số tập dữ liệu nhiễu thực tế phổ biến:

• SIDD: Tập dữ liệu này cung cấp các cặp hình ảnh nhiễu và sạch thực tế được chụp bằng cảm biến điện thoại thông minh trong nhiều môi trường ánh sáng khác nhau.
• DND: Nó bao gồm các bức ảnh ISO cao ghi lại các mẫu nhiễu cảm biến thực tế được tìm thấy trong các máy ảnh tiêu dùng.

Hình 4. Một ví dụ từ tập dữ liệu DND. (Nguồn)

Link to this sectionCác yếu tố cần xem xét khi huấn luyện mô hình khử nhiễu tự giám sát#

Dưới đây là một số yếu tố và hạn chế cần xem xét nếu bạn định huấn luyện một mô hình khử nhiễu tự giám sát dựa trên deep learning:

• Khớp với phân phối nhiễu: Các hình ảnh nhiễu được sử dụng để huấn luyện phải phản ánh cùng loại nhiễu mà mô hình sẽ gặp phải trong thực tế; nhiễu không khớp dẫn đến khả năng tổng quát hóa kém.
• Đảm bảo tính đa dạng của dữ liệu huấn luyện: Sự thay đổi hạn chế có thể gây ra overfitting hoặc làm mượt quá mức các kết cấu phức tạp.
• Lưu ý về các hạn chế loại nhiễu: Các phương pháp tự giám sát gặp khó khăn hơn với nhiễu có cấu trúc, tương quan hoặc không ngẫu nhiên.
• Kiểm tra trên nhiều thiết bị hoặc cảm biến: Hiệu suất khử nhiễu có thể thay đổi rất nhiều giữa các máy ảnh hoặc hệ thống hình ảnh.

Link to this sectionCác điểm chính cần lưu ý#

Khử nhiễu tự giám sát mang lại cho những người đam mê AI một cách thiết thực để làm sạch hình ảnh chỉ bằng cách sử dụng dữ liệu nhiễu mà chúng ta đã có. Bằng cách học cách nhận ra cấu trúc thực bên dưới nhiễu, các phương pháp này có thể khôi phục các chi tiết hình ảnh quan trọng. Khi công nghệ khử nhiễu tiếp tục cải thiện, nó có khả năng làm cho một loạt các tác vụ computer vision trở nên đáng tin cậy hơn trong các cài đặt hàng ngày.

Trở thành một phần của cộng đồng đang phát triển của chúng tôi! Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về AI. Nếu bạn đang muốn xây dựng các giải pháp computer vision, hãy xem qua các tùy chọn cấp phép của chúng tôi. Khám phá những lợi ích của computer vision in retail và xem cách AI in manufacturing đang tạo ra sự khác biệt!