深度学习的爆发，让图像识别变得容易，同样，在图像修复上面也取得很多进展。ai对图像的修复，让我们看到了在学习了大量数据后，ai似乎也可以产生对于图像的记忆和想象，将缺失的、模糊的、或者噪声严重的图像恢复“原貌”。
下面，我们一起来看看各种图像修复技术的进展。（推荐学习：PHP视频教程）
无需干净样本，超强去噪
最近，英伟达、阿尔托大学以及麻省理工大学一起提出了一种图像修复的新技术，该技术可以很好的去除图像中的噪声和伪影，并且不需要干净的图像样本。该工作在2018年ICML会议上公布。
视频中展示了不同的图像噪声（包括高斯噪声、泊松噪声、Bernoulli noise噪声、脉冲噪声等），该神经网络通过学习成对的噪声图片，完成的效果都不错。
算是目前该项工作中很优秀的存在了，一些细节的地方也处理得相当不错，他们把该项技术称为Noise2Noise。该团队从ImageNet数据库获取了50000万张图片，对它们进行“增噪”处理。然后把这些“不干净”的图片输入模型中训练，让模型学会“降噪”。
值得注意的是，该模型接手的图片全部都是增加了各种噪声的图片，完全不知道原图是什么样子的。研究人员表示：“在没有干净图像的情况下，神经网络学习恢复图像是可能的。”于是他们使用配对的噪声图像，完成了这项工作。
研究人员希望将此项技术应用于含有大量噪声的图像，比如天体摄影、核磁共振成像（MRI）以及大脑扫描图像等。
使用来自IXI数据集近5000张图像来训练Noise2Noise的MRI图像去噪能力。在没有人工噪声的情况下，结果可能比原始图像稍微模糊一些，但仍然很好地还原了清晰度。
AI脑补，修复缺失图像
关于图像缺失修复的算法也不少，先来看看来自整块图像缺失的修复算法，该算法来自南加州大学的工作。
虽然看起来没有非常完美，但是作为一个PS小白，我来操作似乎也只能到这个水平了。
CNN网络结构
该网络其实是由两个神经网络组成，一个是内容生成网络，一个是纹理生成网络。内容生成网络生成图像，推断缺失部分的内容。纹理生成网络用于增强内容网络产出的纹理，具体来说就是将生成的补全图像和原始无缺失图像输入纹理生成网络，在某一层feature_map上计算损失，记为Loss NN。
更多PHP相关技术文章，请访问PHP图文教程栏目进行学习！
