Een virtuele flitslamp in nachtfoto's

In het digitale tijdperk bestaan originele of onbewerkte foto’s eigenlijk niet meer. Goedkope camera’s produceren alleen maar JPEG’s: foto’s waarin het beeld al gecomprimeerd is voor het op de geheugenkaart terechtkomt. De subtielste details – voor een deel ruis, trouwens – zijn daarbij al verloren gegaan. De camera’s van mobiele telefoons laten ongevraagd allerlei software op foto’s los. Daarmee laten ze bijvoorbeeld gezichten er gladder en aantrekkelijker uitzien.

Opslaan in RAW

Alleen bij duurdere camera’s kun je instellen dat foto’s ook in het zogenaamde RAW-formaat opgeslagen worden. Een RAW-bestand bevat in principe nog wel alle informatie die de optische camerachip opnam bij het maken van een foto, al zijn ook deze data enigszins voorbewerkt. Serieuze fotografen bewaren hun foto’s ook in RAW, zodat ze alle opties voor nabewerking open houden.

Zelfs jaren oude foto’s kunnen dan nog opgeknapt worden als er nieuwe mogelijkheden voor nabewerking komen. Zo bestaat er sinds enige tijd software die landschapsfoto’s verbazend realistisch kan ontdoen van mist en nevel.

Chen Chen van de universiteit van Illinois en drie onderzoekers van Intel hebben nu een nabewerkings-procedure gemaakt voor RAW-bestanden. Die kan de hoeveelheid licht in een foto achteraf met een factor honderd of meer virtueel opkrikken. Dat gebeurt op een intelligentere manier dan in bestaande fotobewerkingsprogrammma’s. Die hebben een schuifknop voor ‘helderheid’, maar daarmee verhelder je in wezen de ruis in onderbelichte opnames net zo veel als het beeld zelf. Er bestaan weliswaar ook methodes om ruis te onderdrukken, maar die zijn niet intelligent in de zin dat ze enig idee hebben wat de inhoud van de foto is.

Neuraal netwerk

Chens ‘nachtzicht’-software, daarentegen, gebruikt een neuraal netwerk. De architectuur ervan is geïnspireerd door de visuele cortex, het deel van onze hersenen dat beelden verwerkt. Zo’n netwerk leert om beelden te herkennen in zeer donkere foto’s. Het doet dat door paren foto’s van een tafereel te bekijken, waarvan er één optimaal belicht is, en de andere sterk onderbelicht. Na training met vijfduizend van die paren, met een grote diversiteit aan taferelen (gezichten, landschappen, interieurs, etc.), bleek het netwerk van Chen en collega’s goed in staat om ook uit nieuwe, bijna zwarte foto’s het correcte beeld naar boven te halen.

Dit is een eerste test, maar volgens Chen is er nog meer winst te behalen: “Als het netwerk wordt getraind op specifieke objecten (bijvoorbeeld alleen gezichten, of alleen huizen, aj), wordt de taak makkelijker en ik denk dat het resultaat dan beter wordt dan met algemene beelden,” mailt hij desgevraagd. Je kunt je dus voorstellen, dat een fotograaf meerdere varianten van het systeem gebruikt voor specifieke taken.

Een neuraal netwerk – dat overigens bijna altijd op een gewone computer gesimuleerd wordt – bestaat uit een input-laag, een output-laag, en meerdere lagen daartussen. De input-laag krijgt in dit geval de ruwe data van de foto binnen, de output-laag geeft het uiteindelijke beeld weer. De lagen daartussen verwerken die data.

Instelbare gewichten

Elke laag bestaat uit een groot aantal ‘neuronen’, en elk neuron is verbonden met neuronen in de laag daarboven en daaronder. Elk neuron werkt als een schakelpunt dat afhankelijk van de input van neuronen in de bovenlaag, al of niet een signaal doorgeeft aan neuronen in de onderlaag. Elke verbinding heeft een instelbaar ‘gewicht’, dat bepaalt hoe sterk die het onderliggende neuron beïnvloedt. In de trainingsfase, door het vergelijken van de fotoparen, worden de gewichten van de vele duizenden verbindingen tussen de neuronen optimaal ingesteld op de taak die het neurale netwerk moet vervullen. Dit komt globaal overeen met hoe de hersenen werken. Ook die bestaan uit netwerken van neuronen, met vele onderlinge verbindingen, waarvan de sterkte kan veranderen onder invloed van ervaringen en leerprocessen.