Eliminación de ruidoDenoising

Se busca lo que resalta y se ajusta al entorno

Al ampliar mucho una fotografía, en una superficie pareja como el cielo aparecen puntos dispersos, mucho más claros u oscuros. Comparados con los puntos vecinos, son valores que quedan solos, y por cuánto se apartan del entorno se puede notar que son mancha.

Un método simple es mezclar varios valores cercanos y empujarlos hacia el promedio. Así los puntos dispersos se reducen notablemente. El problema es que también se difuminan partes que ya eran distintas de su entorno por naturaleza, como una ceja o un hilo suelto.

Por eso los métodos actuales distinguen por la forma si algo es mancha o es un patrón real. Entrenando con muchísimas fotos limpias emparejadas con fotos a las que se les añadió mancha, se aprende a dejar los bordes y retirar solo los puntos dispersos.

Primero se señala, luego se retira

Un modelo entrenado no entrega directamente una foto limpia. Primero señala dónde está la mancha en la pantalla actual y cuánta hay. Después resta esa cantidad de la pantalla original. Es el mismo orden que mirar primero qué tipo de mancha es y ajustar la intensidad según eso.

Este orden tiene una ventaja. Dibujar de una vez un resultado limpio exigiría rehacer toda la foto, pero señalar solo lo que se añadió es mucho más manejable. Como el contenido original se deja intacto y solo se toca lo añadido, se reducen los casos en que, por ejemplo, un rostro termina pareciendo otra persona.

Cuánto borrar es siempre un equilibrio

La intensidad de borrado se puede ajustar. Dejarla suave deja mancha; dejarla fuerte deja la imagen lisa, pero también desaparecen a la vez texturas finas como el cabello o la trama de una tela. No existe un ajuste que borre toda la mancha y conserve intacto todo el detalle.

Una foto borrada con fuerza parece limpia a primera vista, pero algo en ella recuerda a la cera. Es porque zonas que deberían tener una textura fina, como la piel o el césped, quedan lisas. Esta marca se nota especialmente al ampliar o imprimir después.

Conocer la naturaleza de la mancha ayuda a retirarla mejor

La mancha también tiene tipos. El grano irregular de una foto tomada en la oscuridad, el siseo de una grabación antigua y las franjas que aparecen cuando se corta una señal tienen aspectos distintos entre sí. Saber de antemano qué tipo de mancha se mezcló permite retirarla con mucha más precisión.

Esto resulta útil en la generación de imágenes. Como la mancha se añadió a propósito durante el entrenamiento, se puede indicar con un número cuánta se añadió. El modelo recibe ese dato junto con la imagen y calcula cuánto retirar en ese paso. Es como escuchar de antemano qué tanto se posó sobre el papel antes de tomar la perilla.

Repetirlo también puede crear una imagen nueva

Retirar una vez deja la foto un poco más limpia. Volver a meter ese resultado y retirar otra vez, y repetir esto decenas de veces, ¿qué pasa? Si se parte de una foto, se va volviendo una foto cada vez más nítida, pero si se parte de una pantalla de manchas sin ningún sentido, va apareciendo poco a poco una forma que no existía.

Cada vez que retira, el modelo empuja la pantalla un poco en la dirección de "si aquí hubiera una imagen creíble, se vería así". Con la repetición, una pantalla vacía termina siendo una imagen. Por eso la técnica para limpiar mancha y la técnica para crear imágenes comparten, en el fondo, la misma raíz.