Denoising (Gürültü Giderme (Denoising))

#Denoising #GürültüGiderme #DiffusionModel #ImageRestoration #DnCNN #SesİşLeme #DeepLearning

Gürültü giderme, veri veya sinyaldeki istenmeyen bozulmayı kaldırma işlemidir; difüzyon modellerinin temel öğrenme görevidir.

Gürültü giderme (denoising), sinyal işleme ve makine öğreniminde bir veriden istenmeyen bozulmaları veya rastgele gürültüyü kaldırma işlemidir. Görüntü işlemede piksellerdeki rastgele varyasyonları temizlemek, seste arka plan gürültüsünü bastırmak ve zaman serisi verilerinde ani sapmalarını düzeltmek için kullanılır. Derin öğrenmede gürültü giderme özellikle iki bağlamda kritik öneme sahiptir. Birincisi, veri ön işleme: Eğitim verisi gerçek dünya kaynaklı olduğundan gürültü doğaldır; temiz veriyle eğitilen modeller genellikle daha iyi genelleme yapar. İkincisi ve daha çarpıcı olanı, difüzyon modellerinin (Diffusion Models) temel mekanizmasıdır: bu modeller bir görüntüye kademeli olarak Gaussian gürültü ekler (forward process), ardından bu gürültüyü adım adım temizlemeyi öğrenir (reverse process). DALL-E 2, Stable Diffusion ve Flux gibi modeller bu gürültü ekleme-giderme döngüsüne dayanır. Klasik gürültü giderme yöntemleri arasında Gaussian filtresi (blur), Median filtresi, Wiener filtresi ve Non-local Means bulunur. Derin öğrenme tabanlı yaklaşımlar bu yöntemlerin çok ötesine geçti: DnCNN (Denoising Convolutional Neural Network), gürültü seviyesini tahmin eden blind denoising; U-Net mimarisi temelli encoder-decoder yapılar ise piksel düzeyi hassasiyetle gürültü haritası üretir. Difüzyon modellerinde kullanılan score matching ve DDPM (Denoising Diffusion Probabilistic Model) çerçevesi, gürültü gidermeyi olasılıksal bir süreç olarak modelleyen ve T adım boyunca gürültüyü kademeli olarak azaltan yaklaşımdır. Her adımda model, ε-prediction veya x0-prediction hedefiyle eğitilir: gürültü tahmini yaparak temiz sinyale ulaşır. Bu yapı, yalnızca görüntü değil; ses sentezi (WaveNet), video üretimi ve 3D nokta bulutu oluşturma alanlarında da temel teknik olarak benimsenmiştir. DDIM örnekleyici ise az adımla deterministik gürültü giderme yaparak çıkarım hızını önemli ölçüde artırır. Latent Diffusion modelleri bu süreci VAE ile sıkıştırılmış latent uzayda yürütür; böylece piksel uzayına kıyasla hesaplama maliyeti dramatik biçimde düşer ve 512×512 görüntü üretimi tüketici GPU'larında mümkün hâle gelir. Flow Matching (Flux'un kullandığı yöntem) ise forward süreci daha kısa ve düz bir eğriyle tanımlayarak DDPM'e kıyasla hem daha hızlı hem daha kaliteli gürültü giderme yapabilmektedir.

filter_alt Gürültü Giderme Nedir?

Gürültü giderme (denoising), bir sinyaldeki istenmeyen bozulmaların — piksel gürültüsü, arka plan sesi, sensör hatası — temizlenmesi işlemidir. Sinyal işlemede onlarca yıllık klasik yöntemler (Gaussian filtresi, Median filtresi, Wiener filtresi) mevcuttu; derin öğrenme bu alanda yeni bir dönem başlattı. DnCNN gibi CNN tabanlı modeller, geleneksel yöntemlerin erişemediği kalitede gürültü giderme yapabilmektedir. Daha da önemlisi, difüzyon modellerinin (Stable Diffusion, DALL-E 2, Flux) temel çalışma prensibi gürültü giderme üzerine inşa edilmiştir: model, gürültüden temiz görüntüye giden tersine süreci adım adım öğrenir.

Gürültü Giderme Yöntemleri

filter Klasik Filtreler

Gaussian (blur), Median, Wiener filtreleri. Hızlı ve deterministik; ancak ayrıntı kaybına yol açabilir. Gerçek zamanlı uygulamalarda hâlâ kullanılır.

grain Non-local Means

Görüntünün benzer yamalarını bularak ortalama alır. Ayrıntı koruma açısından klasik filtreleri geçer. Hesaplama maliyeti yüksektir.

psychology DnCNN / CNN Tabanlı

Residual learning ile gürültü haritasını tahmin eder; temiz görüntü = gürültülü - tahmin edilen gürültü. Kör gürültü giderme (blind denoising) yapabilir.

auto_awesome Difüzyon Tabanlı

DDPM ve DDIM: T adımda Gaussian gürültü eklenmiş görüntüden başlayarak kademeli geri sarım. Olasılıksal yaklaşım; çeşitli ve yüksek kaliteli üretim.

science Difüzyon Modellerinde Gürültü Giderme

Difüzyon modelleri gürültü gidermeyi yaratıcı bir hedefe dönüştürdü. Forward süreçte temiz görüntüye T adımda kademeli Gaussian gürültü eklenir; T adım sonunda görüntü tamamen gürültüye dönüşür. Reverse süreçte model, her adımda bir önceki adımın gürültüsünü tahmin ederek (ε-prediction) veya doğrudan temiz görüntüyü tahmin ederek (x0-prediction) gürültüsüz görüntüye ulaşmayı öğrenir. DDPM (2020) bu çerçeveyi formüle etti; DDIM (2021) deterministik örnekleme ile adım sayısını 1000'den 50'ye veya 20'ye indirdi. Latent Diffusion (Stable Diffusion'ın temeli) ise bu süreci piksel uzayında değil, sıkıştırılmış latent uzayda yürüterek hesaplama maliyetini dramatik biçimde azalttı.

compare_arrows Kullanım Alanları

  • check_circle Tıbbi Görüntüleme: MRI ve CT görüntülerindeki sensör gürültüsünün giderilmesi; düşük doz radyasyonla çekilen görüntülerin kalite artırımı. DnCNN ve U-Net tabanlı modeller klinik kullanımda.
  • check_circle Fotoğraf ve Video: Düşük ışıkta çekilen fotoğraflardaki ISO gürültüsünün giderilmesi. Adobe Lightroom Denoise, DxO PhotoLab gibi ticari araçlar derin öğrenme tabanlı gürültü giderme kullanır.
  • check_circle Ses ve Konuşma: Konuşma tanıma öncesinde arka plan gürültüsünün bastırılması. RNNoise ve DeepFilterNet gibi modeller gerçek zamanlı ses gürültü giderme yapar.
  • check_circle Generatif AI Temeli: Stable Diffusion, DALL-E 2, Flux ve Sora'nın çalışma prensibi tamamen gürültü giderme üzerine kuruludur. Prompt, gürültü giderme yönünü belirleyen koşul (conditioning) olarak işlev görür.

quiz Sık Sorulan Sorular

  • check_circle Difüzyon modeli neden gürültü giderme kullanır?: Saf gürültüden başlayıp kademeli gürültü giderme ile anlamlı veri üretmek, dağılım öğrenmenin zarif bir yoludur. Model log-likelihood yerine gürültü tahmini kaybını optimize eder; bu numerik olarak daha kararlıdır.
  • check_circle DDPM ve DDIM arasındaki fark nedir?: DDPM stokastik (rastgele) örnekleme yapar ve genellikle 1000 adım gerektirir. DDIM deterministik örnekleme ile 20-50 adımda benzer kalite üretir; bu üretim hızını önemli ölçüde artırır.
  • check_circle Gürültü giderme ve super-resolution farkı nedir?: Gürültü giderme, varolan pikseldeki bozulmayı temizler. Super-resolution, düşük çözünürlüklü görüntüyü yüksek çözünürlüklü hâle getirir. Difüzyon modelleri her ikisini de yapabilir; görev koşullamaya (conditioning) bağlıdır.
  • check_circle Blind denoising ne demek?: Gürültü seviyesini (sigma) önceden bilmeden giderme yapılmasıdır. DnCNN ve FFDNet gibi modeller gürültü haritasını veriden tahmin eder; gerçek dünya kullanımı için kritiktir çünkü gürültü türü her zaman bilinmez.
  • check_circle Python'da basit denoising nasıl yapılır?: `skimage.restoration.denoise_nl_means` (Non-local Means) veya `cv2.fastNlMeansDenoising` (OpenCV) ile hızlı başlangıç yapılabilir. Derin öğrenme için Hugging Face'teki DiffusionPipeline veya özel DnCNN implementasyonları kullanılabilir.