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), bir sinyalden, görüntüden veya veri kümesinden istenmeyen rassal bozulmaları (gürültüyü) kaldırmaya yönelik işlemler bütünüdür. Yapay zeka alanında gürültü giderme hem bağımsız bir görev hem de difüzyon modellerinin, ses işlemenin ve görüntü restorasyonunun temel yapı taşıdır. Klasik gürültü giderme yöntemleri arasında ortalama filtresi, Gaussian filtresi ve median filtresi yer alır. Modern derin öğrenme tabanlı yaklaşımlar ise çok daha üstün sonuçlar verir. Konvolüsyonel sinir ağları (CNN) ve U-Net mimarileri, gürültülü girdiyi temiz çıktıya eşleştiren fonksiyonu öğrenir; DnCNN, FFDNet ve Noise2Void gibi mimariler bu kategoridedir. Difüzyon modellerinde gürültü giderme merkezi bir rol üstlenir. Model, belirli bir gürültü seviyesindeki (x_t) örnekten gürültüyü tahmin etmeyi öğrenir. Bu "gürültü tahmini" (ε-prediction) işlemi, Denoising Score Matching teorisine dayanır. Çıkarım sırasında model saf gürültüden (x_T) başlayarak adım adım gürültüyü çıkarır ve temiz veri x₀'a ulaşır. Ses işlemede gürültü giderme, konuşma netleştirme (speech enhancement) ve ses kayıt temizleme için kullanılır. Nvidia RTX Noise Cancellation, DeepFilterNet ve RNNoise bu alandaki öne çıkan araçlardır.

Gürültü Türleri ve Giderme Yöntemleri

blur_on Gaussian Gürültüsü

En yaygın model. Rassal piksel sapmaları normal dağılım izler. DnCNN, FFDNet ve U-Net bu gürültüyü son derece etkili giderir.

grain Salt & Pepper

Piksellerin rastgele siyah-beyaz olması. Median filtresi klasik çözümdür; CNN tabanlı yöntemler daha başarılı sonuç verir.

noise_control_off Yapısal Gürültü (Artifacts)

JPEG sıkıştırma eserleri, kamera gürültüsü. Restormer ve NAFNet gibi transformer tabanlı modeller bu kategoride en iyi sonuçları verir.

mic_off Ses Gürültüsü

Arka plan ses kirliliği, elektrik vızıltısı. RNNoise (LSTM), DeepFilterNet (spectral domain) ve Nvidia RTX bu kategorinin öne çıkan araçları.

model_training Difüzyon Modelinde Gürültü Giderme

DDPM gibi difüzyon modellerinde gürültü giderme merkezi öğrenme görevidir. Eğitim sırasında temiz veri x₀'a rastgele bir t adımında belirli miktarda ε gürültüsü eklenerek x_t elde edilir. Model (genellikle U-Net), bu x_t'den eklenen ε'yu tahmin etmeyi öğrenir. Kayıp: L = ||ε - ε_θ(x_t, t)||². Bu yaklaşım "ε-prediction" olarak adlandırılır ve Denoising Score Matching teorisiyle matematiksel olarak eşdeğerdir. Çıkarım sırasında saf gürültüden başlayarak model her adımda gürültüyü tahmin edip çıkarır ve temiz veriye adım adım yaklaşır. Bu kademeli süreç, GAN'ların tek adımlı üretimine kıyasla çok daha kararlı ve kaliteli sonuçlar verir.

quiz Sıkça Sorulan Sorular

  • check_circle Gürültü giderme upscaling ile aynı şey midir?: Hayır, farklı görevlerdir. Gürültü giderme gürültüyü kaldırır ancak çözünürlüğü değiştirmez. Upscaling (süper çözünürlük) görüntüyü büyütür. Real-ESRGAN gibi modeller her ikisini birlikte yapar; ancak teknik olarak ayrı işlemlerdir.
  • check_circle Noise2Void neden etiketlenmemiş veriden öğrenebilir?: Noise2Void, maskelenen pikselin kendi değerini değil, komşu pikselleri kullanarak tahminde bulunur. Bu "blind spot" prensibi, modelin gürültüyü gürültülü görüntülerden çift yönlü öğrenmesini sağlar; temiz referans görüntüler gerektirmez. Mikroskopi ve uydu görüntüleme gibi alanlarda çok kullanışlıdır.
  • check_circle Gerçek zamanlı ses gürültü giderme mümkün mü?: Evet. RNNoise yalnızca 40 KB model ağırlığıyla < 10ms gecikme ile çalışır. DeepFilterNet ve Nvidia RTX Noise Cancellation da gerçek zamanlı akış (streaming) destekler. Donanım ivedileyicisi (GPU/NPU) gecikmeyi daha da düşürür.
  • check_circle Hangi metrikle ölçülür?: PSNR (tepe sinyal-gürültü oranı) ve SSIM (yapısal benzerlik indeksi) görüntü kalitesini ölçer; daha yüksek değerler daha iyi kaliteyi gösterir. Ses için PESQ ve STOI skoru kullanılır. Algısal kalite için LPIPS ve FID de tercih edilmektedir.