Checkerboard Artifact — клеточные артефакты при Upsampling

Checkerboard Artifact — это тип искажения изображения, который возникает при Upsampling, когда разные выходные пиксели получают неодинаковый вклад и на изображении появляется повторяющийся рисунок, похожий на шахматную сетку. Чаще всего такой эффект связан с использованием Transposed Convolution в генеративных моделях и моделях восстановления изображений. Даже если итоговое изображение выглядит правдоподобно, подобные артефакты делают текстуры грубыми и создают ощущение искусственности.

08/02/2026

CT Image Reconstruction — как восстановить исходное изображение по измеренным данным

CT Image Reconstruction (восстановление CT-изображения) — это процесс преобразования Projection Data, полученных во время CT-сканирования, в изображение поперечного среза, которое можно анализировать и интерпретировать. С точки зрения AI/CS важно понимать, что в измеренных данных нет готового изображения объекта. Вместо этого Reconstruction решает обратную задачу: по результатам измерений необходимо определить, какая внутренняя структура могла привести к этим данным. Именно такой подход называется Inverse Problem (обратная задача), где скрытая информация восстанавливается на основе наблюдаемых значений.

08/29/2026

Medical Image Reconstruction — как CT и MRI восстанавливают изображение по измеренным сигналам

Medical Image Reconstruction — это процесс восстановления медицинского изображения по измерениям, полученным с помощью CT или MRI. Сканер не фиксирует внутренние органы сразу в виде готовой картинки: сначала он регистрирует физические сигналы в Measurement Domain. В CT такими данными служит информация о прохождении X-ray через ткани, а в MRI — сигналы, возникающие под воздействием магнитного поля. Затем по этим измерениям необходимо восстановить внутреннюю структуру в Image Domain. Поэтому Medical Image Reconstruction относится к Inverse Problem: наблюдаемые данные уже известны, а исходную структуру требуется оценить.

09/11/2026

Pixel Loss — уменьшение разницы между предсказанным и эталонным изображением на уровне пикселей

Pixel Loss — это функция потерь, которая оценивает различие между предсказанным изображением и эталоном через прямое сравнение значений отдельных пикселей. Такой подход используется как один из базовых критериев обучения в задачах Image Reconstruction, восстановления изображений и Super Resolution, где важно измерить, насколько результат модели близок к исходному изображению.

07/18/2026

Pixel Reconstruction Loss — почему восстановленные изображения получаются размытыми? Часть 1 / 3

Pixel Reconstruction Loss — это функция потерь, которая оценивает ошибку реконструкции напрямую по разнице между значениями пикселей сгенерированного изображения и эталона. Такой подход часто используется как базовый критерий при обучении Autoencoder, Image Inpainting и Super-resolution, то есть в задачах, где модель должна максимально точно восстановить исходное визуальное содержимое. От выбора этой функции потерь во многом зависит не только точность реконструкции, но и характер получаемого изображения.

08/15/2026

Sub-pixel Convolution — как развернуть информацию каналов в пространственное представление для создания изображений высокого разрешения

Sub-pixel Convolution — это метод upsampling, при котором после выполнения convolution над feature map низкого разрешения информация, сохраненная в каналах, преобразуется в пространственное представление с помощью Pixel Shuffle для создания изображения высокого разрешения. В отличие от простого увеличения количества пикселей, этот подход сначала обучается предсказывать значения будущих пикселей на основе извлеченных признаков, а затем распределяет их в правильные пространственные позиции.

08/22/2026