Проектирование систем визуализации на основе теории информации
UC Berkeley
Исследователи из BAIR (Berkeley AI) разработали метод оценки информационного содержания изображений непосредственно по зашумленным данным, что позволяет проектировать оптические системы без использования декодера. В статье NeurIPS 2025 показано, что метрика взаимной информации предсказывает производительность системы и превосходит традиционные показатели качества. Разработанный метод IDEAL достигает качества, сопоставимого со сквозным обучением, но требует меньше памяти и вычислений.
Лаборатория BAIR (Berkeley AI) представила новый подход к проектированию систем визуализации, основанный на прямом измерении информационного содержания. Во многих системах — от смартфонов до МРТ и лидаров — измерения не предназначены для восприятия человеком, но ИИ способен извлекать полезную информацию. Традиционные метрики качества (разрешение, отношение сигнал/шум) оценивают факторы по
Показать ещё ↓
- Сокращения
- BAIR = Berkeley Artificial Intelligence Research — Исследования в области искусственного интеллекта в Беркли
- MRI = Magnetic Resonance Imaging — магнитно-резонансная томография
- LiDAR = Light Detection and Ranging — лазерное сканирование
- IDEAL = Information-Driven Encoder Analysis Learning — аналитическое обучение кодера на основе информации
- NeurIPS = Neural Information Processing Systems — Конференция по нейронным системам обработки информации
Источник: BAIR (Berkeley AI) —
оригинал