التعلم المن転 من التخلص من الضوضاء الاصطناعية إلى التخلص من الضوضاء الحقيقية باستخدام التطبيع الخاص بالعينة التكيفي

إن إزالة الضوضاء الحقيقية يُعد مهمة صعبة نظرًا لأن إحصائيات الضوضاء الحقيقية لا تتبع التوزيع الطبيعي، كما أنها تتغير بشكل مكاني وزماني. وللتعامل مع أنواع الضوضاء الحقيقية المتنوعة والمعقدة، نقترح معمارية لإزالة الضوضاء قادرة على التعميم الجيد، بالإضافة إلى خطة لتعلم النقل (Transfer Learning). بشكل محدد، نستخدم التطبيع المتغير حسب المثيل (Adaptive Instance Normalization) لبناء مُزيل ضوضاء، والذي يمكنه تطبيع الخريطة المميزة (feature map) ومنع الشبكة من التكيف الزائد مع مجموعة التدريب. كما نُقدّم أيضًا خطة لتعلم النقل تنقل المعرفة المكتسبة من بيانات الضوضاء الاصطناعية إلى مُزيل الضوضاء الحقيقية. ومن خلال التعلم المُقترح، يمكن لمُزيل الضوضاء الاصطناعية تعلُّم الخصائص العامة من مجموعات متنوعة من بيانات الضوضاء الاصطناعية، في حين يمكن لمُزيل الضوضاء الحقيقية تعلُّم خصائص الضوضاء الحقيقية من البيانات الحقيقية. وبناءً على النتائج التجريبية، نلاحظ أن طريقة إزالة الضوضاء المقترحة تمتلك قدرة تعميم كبيرة، بحيث تحقق الشبكة المدربة على بيانات الضوضاء الاصطناعية أفضل أداءً في مجموعة بيانات الضوضاء دارمشتات (DND) مقارنةً بالطرق المنشورة في الأوراق العلمية. كما يمكن ملاحظة أن خطة التعلم المُقترح تعمل بشكل موثوق على صور الضوضاء الحقيقية حتى عند التدريب باستخدام عدد ضئيل جدًا من البيانات المُعلمة.