في خطوة مثيرة نحو تحسين تقنيات الذكاء الاصطناعي، قام باحثون بدراسة كيفية تعلم نماذج توليد (Generative Models) للصور النظيفة من مشاهدات مشوشة. تتطلب العمليات الارتشاحية (Diffusion Processes) والتعميمات الخاصة بها إلى الضوضاء غير الغاوسية (Non-Gaussian Noise) استخدام تنبؤات بعدية (Posterior Predictions) عند كل مستوى من مستويات الضوضاء.

وقد أظهرت الأبحاث أنه من الممكن تعلم هذه التنبؤات من طرق عرض مشوشة مستقلة باستخدام عملية الانحدار Noise2Noise، لكن فقط عند أو فوق مستوى الضوضاء لبيانات التدريب. فيما يتعلق بتعلم التنبؤات تحت هذا المستوى، وهو أمر ضروري لتوليد صور نظيفة، تم فرض شرط الاتساق (Consistency): يجب أن يتساوى التنبؤ مع توقعه بعد الاستمرار في عملية العينة.

علاوةً على ذلك، تم اشتقاق شروط تحدد بموجبها الاتساق تكملة فريدة لتوزيع الصور النظيفة. وقد تم التحقق من هذه الشروط في قياسات بواسون (Poisson)، وثنائية الحد (Binomial)، وغاوس (Gamma)، والسلبية الثابتة (Negative-Binomial).

تظهر التجارب التي أجريت على مجموعة بيانات CIFAR-10، والميكروسكوبات ذات العد الفوتوني (Photon-Counting Microscopy)، والرادار ذا الفتحة الاصطناعية (Synthetic Aperture Radar) أن التنبؤات الضرورية يمكن تعلمها من مشاهدات مشوشة فقط، وأن العلاقة القائمة على الاتساق تقوم بإصلاح الاستمرارية ما وراء مستوى ضوضاء البيانات، والتي تتدهور بشكل كبير بدون الاتساق.

يعتبر هذا البحث خطوة مهمة نحو تحسين كيفية معالجة الصور وفهم نطاق أوسع للتطبيقات الممكنة في مجالات متعددة. ما رأيكم في هذه التقنية الجديدة؟ شاركونا في التعليقات.