คุณคงจะเคยถ่ายภาพในสภาพแสงน้อย (low light) แล้วพบว่าภาพนั้นมันมี noise หรือจุดเม็ดๆ อยู่ในนั้น บางทีคุณคงอยากจะซ่อมมันให้ได้ ซึ่งจะเป็นอย่างไรถ้าหากว่าคุณสามารถนำภาพนั้นๆ มาลบ noise หรือสิ่งแปลกปลอมที่ไม่ต้องการบันทึกออกไปได้อัตโนมัติทันที ตอนนี้ได้มีวิธีการ deep learning ที่เรียนรู้การซ่อมแซมภาพโดยเพียงดูจากภาพตัวอย่างที่มีปัญหานั้นๆ ได้แล้ว
โดยงานนี้ได้ถูกพัฒนามาจากนักวิจัยใน NVIDIA, Aalto University และ MIT ซึ่งได้นำไปนำเสนอในงานสัมมนาวิชาการ International Conference on Machine Learning ที่เมืองสตอกโฮล์ม ประเทศสวีเดนปีนี้ด้วย
งานด้าน deep learning ล่าสุดช่วงนี้ได้มุ่งเน้นการเทรนระบบโครงข่ายประสาทเทียม (Neural Network) เพื่อแก้ไขซ่อมแซมภาพโดยการให้ข้อมูลตัวอย่างเป็นคู่ของภาพที่มี noise และภาพที่สะอาด ซึ่งระบบ AI จะเรียนรู้วิธีการสร้างความแตกต่างขึ้นมาได้ หากแต่วิธีการใหม่นี้จะแตกต่างจากเดิมตรงที่มันจะต้องการเพียงภาพข้อมูลเข้า input 2 ภาพที่มี noise อยู่ด้วยเพียงเท่านั้น โดยไม่เคยมีการแสดงให้เห็นภาพที่ไม่มี noise มาก่อนว่าเป็นอย่างไร ซึ่งผลพบว่าระบบ AI นี้สามารถลบสิ่งที่ไม่ต้องการ หรือ noise หรือเม็ดๆ ออกไปได้ จึงถือว่าเป็นการปรับปรุงภาพได้อัตโนมัติ
“มันเป็นไปได้ที่จะเรียนรู้การซ่อมแซมกู้คืนข้อมูลโดยที่ไม่ต้องมีการส่งตัวอย่างที่ดีหรือสะอาดแล้วเข้าไป โดยประสิทธิภาพนั้นบางทีอาจจะก้าวข้ามวิธีการเทรนโดยใช้ข้อมูลที่สะอาดไปแล้ว” นักวิจัยกล่าวในงานตีพิมพ์ “โดยโครงข่ายที่ทำนั้นเอาจถือได้ว่าเทียบเท่ากับวิธีการ state-of-the-art ที่สร้างจากข้อมูลที่สะอาดหากใช้วิธ๊การเทรนแบบเดียวกัน อีกทั้งยังไม่ได้พบปัญหาทั้งเวลาและประสิทธิภาพในการเทรน”
โดยทีมวิจัยได้ใช้เฟรมเวิร์ก TensorFlow ในการเทรนระบบบนข้อมูลภาพจาก ImageNet ใน validation set จำนวน 50,000 ภาพ ซึ่งเวลาทดสอบระบบ ทีมจะสร้างข้อมูลขึ้นมา 3 dataset
นอกจากนี้วิธ๊การดังกล่าวยังสามารถนำมาช่วยปรับปรุงผลภาพ MRI ได้ บางทีอาจจะเป็นการปูทางในการปรับปรุงด้านภาพทางการแพทย์ (medical imaging) ได้อย่างมหาศาลอีกด้วย
“มีสถานการณ์ในโลกความเป็นจริงอยู๋หลากหลายที่พบเห็นได้เลยว่าการเก็บข้อมูลที่สะอาดเพื่อนำมาเทรนนั้นเป็นสิ่งที่ยาก อย่างเช่นปัญหาในเรื่องสภาพแสงน้อยในภาพดาราศาสตร์ การแสดงผลทางกายภาพและการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก”ทีมวิจัยกล่าว “โดยตัวทดสอบ demo นี้ต้องการชี้ให้เห็นถึงหนทางที่จะนำศักยภาพอย่างมีนัยสำคัญนี้มาช่วยในแอปพลิเคชันต่างๆ ในการลดการใช้แรงงานในการทำให้เกิดข้อมูลที่สะอาดได้ และแน่นอนไม่มีอะไรที่ได้มาฟรี พวกเราไม่สามารถเรียนรู้ที่จะดึงฟีเจอร์ที่ไม่ได้มีอยู่ในนั้นมาเป็นข้อมูล input ได้ หากแต่สิ่งนี้สามารถนำมาประยุกต์ได้เทียบเท่ากับการเทรนด้วยข้อมูลที่สะอาดได้”
