Применение вейвлет-преобразований для построения интерпретируемой шумоподавляющей сети

Abstract

Наиболее важные цели при разработке моделей машинного обучения - качество работы модели при решении задачи и интерпретируемость разработанной модели. В данной работе описывается метод построения интерпретируемой архитектуры нейронной сети для подавления шума на изображениях. Интерпретируемость достигается наложением дополнительных требований на скрытые пространства признаков UNet-подобной архитектуры при ее обучении.