Para peneliti di Institut Sains Gwangju


Menuju denoising gambar yang lebih baik dengan jaringan pasca-koreksi yang dipantau sendiri.

Gambar: Para peneliti dari Institut Sains dan Teknologi Gwangju di Korea, Penelitian VinAI di Vietnam dan Universitas Waterloo di Kanada telah mengusulkan metode baru untuk meningkatkan kualitas visual penelusuran jalur menggunakan jaringan pasca-koreksi dan pemantauan mandiri kerangka pembelajaran mesin. Model dapat dilatih dengan cepat untuk menghasilkan gambar berkualitas tinggi hanya dalam 12 detik.
pandangan lagi

Kredit foto: Bochang Moon dari Institut Sains dan Teknologi Gwangju, Korea

Grafik komputer berkualitas tinggi, dengan kehadirannya di mana-mana dalam permainan, ilustrasi, dan visualisasi, dianggap paling mutakhir dalam teknologi tampilan visual. Metode yang digunakan untuk merender gambar berkualitas tinggi dan realistis dikenal sebagai penelusuran jalur, yang menggunakan pendekatan denoising Monte Carlo (MC) berdasarkan pembelajaran mesin yang diawasi. Dalam kerangka pembelajaran ini, model pembelajaran mesin pertama-tama dilatih sebelumnya dengan pasangan gambar yang bising dan bersih dan kemudian diterapkan pada gambar yang bising (gambar uji) untuk benar-benar dirender. Meskipun metode ini dianggap sebagai pendekatan terbaik dalam hal kualitas gambar, metode ini mungkin tidak berfungsi dengan baik jika gambar uji berbeda secara signifikan dari gambar yang digunakan untuk pelatihan.

Untuk mengatasi masalah ini, sekelompok peneliti termasuk Ph.D. Mahasiswa Jonghee Back dan profesor Bochang Moon dari Institut Sains dan Teknologi Gwangju di Korea, ilmuwan riset Binh-Son Hua dari VinAI Research di Vietnam dan profesor rekanan Toshiya Hachisuka dari Universitas Waterloo di Kanada mengusulkan dalam sebuah studi baru, sebuah studi baru. Metode denoising MC yang tidak mengandalkan referensi. Studi mereka tersedia secara online pada 24 Juli 2022 dan diterbitkan di Laporan Konferensi ACM SIGGRAPH 2022.

“Metode yang ada tidak hanya gagal ketika kumpulan data pengujian dan pelatihan sangat berbeda, tetapi juga membutuhkan waktu lama untuk menyiapkan kumpulan data pelatihan untuk pra-pelatihan jaringan. Yang dibutuhkan adalah jaringan saraf yang dapat dilatih hanya dengan gambar uji tanpa pra-pelatihan.” kata dr Moon dan menjelaskan motivasi di balik studi mereka.

Untuk mencapai ini, tim mengusulkan pendekatan pasca-koreksi baru untuk gambar denoised yang mencakup kerangka kerja pembelajaran mesin yang diawasi sendiri dan jaringan pasca-koreksi, pada dasarnya jaringan saraf konvolusi, untuk pemrosesan gambar. Jaringan pasca-koreksi tidak bergantung pada jaringan yang telah dilatih sebelumnya dan dapat dioptimalkan menggunakan konsep pembelajaran mandiri tanpa mengandalkan referensi. Selain itu, model pengawasan mandiri melengkapi dan memperkuat model pengawasan tradisional untuk pengurangan kebisingan.

Untuk menguji keefektifan jaringan yang diusulkan, tim menerapkan pendekatan mereka pada metode pengurangan kebisingan canggih yang ada. Model yang diusulkan menunjukkan peningkatan tiga kali lipat dalam kualitas gambar yang dirender dibandingkan dengan gambar input dengan mempertahankan detail yang lebih halus. Terlebih lagi, seluruh proses pelatihan on-the-fly dan kesimpulan akhir hanya membutuhkan waktu 12 detik!

“Pendekatan kami adalah yang pertama yang tidak mengandalkan pra-pelatihan dengan kumpulan data eksternal. Ini akan mengurangi waktu produksi dan meningkatkan kualitas konten berbasis rendering offline seperti animasi dan film.” catatan dr. Moon dan berspekulasi tentang kemungkinan penerapan karyanya.

Faktanya, tidak akan lama sebelum teknik ini digunakan dalam rendering grafis berkualitas tinggi di video game, augmented reality, virtual reality, dan metaverse!

***

Hubungan

DOI: https://doi.org/10.1145/3528233.3530730

Penulis: Jonghee Kembali1Binh putra Hua2Toshiya Hachisuka3dan Bochang Moon1

Afiliasi:

1Institut Sains dan Teknologi Gwangju

2penelitian VinAI

3Universitas Waterloo

Tentang Institut Sains dan Teknologi Gwangju (GIST)
Institut Sains dan Teknologi Gwangju (GIST) adalah universitas berorientasi penelitian di Gwangju, Korea Selatan. Didirikan pada tahun 1993, GIST telah berkembang menjadi salah satu sekolah paling bergengsi di Korea Selatan. Universitas bertujuan untuk menciptakan lingkungan penelitian yang kuat untuk mendorong kemajuan ilmu pengetahuan dan teknologi dan mendorong kolaborasi antara program penelitian internasional dan nasional. Dengan motto “A Proud Creator of Future Science and Technology,” GIST secara konsisten menerima salah satu peringkat universitas tertinggi di Korea.

Situs web: http://www.gist.ac.kr/

Tentang Penulis

Jong Hee kembali adalah mahasiswa PhD di Lab Grafik Komputer Sekolah Teknologi Terpadu di GIST. Minat penelitiannya adalah di bidang kecerdasan buatan dengan fokus pada rendering berbasis fisik.

Binh putra Hua adalah rekan peneliti di VinAI Research, Vietnam. Dia menerima gelar Ph.D. dari National University of Singapore pada tahun 2015. Minat penelitiannya adalah grafik komputer dan visi komputer dengan fokus pada sintesis gambar berbasis fisika dan pembelajaran mendalam 3D.

Toshiya Hachisuka saat ini adalah Associate Professor di David R. Cheriton School of Computer Science di University of Waterloo di Kanada. Ia menerima gelar Ph.D. dalam ilmu komputer dari University of California, San Diego pada tahun 2011. Minat penelitiannya meliputi rendering grafik komputer, transportasi ringan, metode Monte Carlo, dan komputasi numerik.

Bulan Bochang adalah Associate Professor di School of Integrated Technology di GIST, di mana dia memimpin Computer Graphics Lab. Ia menerima gelar Ph.D. dalam Ilmu Komputer dari Korea Advanced Institute of Science & Technology pada tahun 2014. Minat penelitiannya meliputi rendering fotorealistik, penelusuran sinar Monte Carlo, rendering kecerdasan buatan, dan realitas tertambah dan virtual.


Penafian: AAAS dan EurekAlert! tidak bertanggung jawab atas keakuratan siaran pers yang dipublikasikan di EurekAlert! oleh lembaga yang berkontribusi atau untuk penggunaan informasi tentang sistem EurekAlert.



Source link

Also Read :  Using sound to model the world | MIT News