МТУСИ: Нейросеть для улучшения качества изображений Продукт Основная статья: Нейросети (нейронные сети) 2025: Анонс нейросети для обработки изображений МТУСИ представил разработку в области искусственного интеллекта : нейронную сеть для оптимизации качества изображений, доступную для широкого использования. Разработка МТУСИ позволит оптимизировать точность научных исследований и промышленного анализа при минимальных системных требованиях. Об этом 21 октября 2025 года сообщила пресс-служба МТУСИ. Фото: jcomp на Freepik Российские ученые разработали нейросеть для улучшения качества изображений Как сообщалось, сотрудники кафедры МКиИТ факультета « Информационные технологии » МТУСИ — д.т.н., профессор Юрий Леохин и к.т.н., доцент Тимур Фатхулин — разработали программное решение на базе нейронной сети типа автоэнкодер, способное оптимизировать качество фотоснимков и изображений для применения в повседневной жизни и профессиональных сферах. Виртуализация без рисков. Обзор ПАК виртуализации на базе ПО Sharx Base 18.1 т Разработка способна решать критически важные задачи, актуальные для множества отраслей — от космических исследований до дорожного строительства . Снимки дорожного полотна, фотографии космоса, изображения макро- и микромира требуют высокой детализации для проведения точного анализа и получения достоверных научных данных . Как это работает: Автоэнкодеры — это нейронные сети, которые обучаются реконструировать входные данные на выходе. Технология позволяет удалять шумы на изображениях, восстанавливать утраченные детали и повышать четкость. Данный тип нейронных сетей был выбран после детального анализа существующих архитектур нейросетей, которые наиболее часто применяются для решения подобных задач. В ходе исследований также были определены метрики (критерии) оценки качества изображений, спроектирована уникальная архитектура автоэнкодера и осуществлено его обучение. Главное отличие разработанной учеными из МТУСИ нейросети — оптимальная эффективность, выражающаяся в скорости обработки изображений и низких системных требованиях к аппаратному обеспечению конечного пользователя. Если большинство аналогичных решений требуют мощного оборудования, то разработка МТУСИ может работать на обычных компьютерах , что делает технологию доступной для широкого круга пользователей. Обучение модели проводилось на платформе Google Colab с использованием графического процессора Tesla T4. Система была обучена на 53 эпохах (из запланированных 200), после чего показала оптимальные результаты. Было протестировано несколько моделей с различными параметрами для определения наиболее эффективной конфигурации. Создание нейросетевой технологии для улучшения качества изображений — это шаг вперед в развитии российских AI -разработок. В условиях технологического суверенитета особенно важно, что наши ученые создают конкурентоспособные решения. Эта разработка демонстрирует, что МТУСИ не просто готовит кадры для цифровой экономики , но и является активным участником создания современных технологий. Особую ценность представляет практическая применимость нашей нейросети — от космических исследований до промышленного контроля качества. Мы видим значительный потенциал этой технологии для российской науки и промышленности , особенно учитывая ее эффективность, что делает искусственный интеллект доступным для исследователей по всей стране . рассказал Сергей Дмитриевич Ерохин , ректор МТУСИ В ближайшее время планируется адаптация разработанного программного решения для узкоспециализированных отраслей науки и техники. Технология может найти применение в: Космических исследованиях — оптимизация снимков с телескопов и спутников Дорожном строительстве — анализ качества дорожного полотна Промышленном контроле — детализация изображений для выявления дефектов Научных исследованиях — работа с изображениями микро- и макромира Source: https://www.tadviser.ru/index.php/%D0%9F%D1%80%D0%BE%D0%B4%D1%83%D0%BA%D1%82%3A%D0%9C%D0%A2%D0%A3%D0%A1%D0%98%3A_%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D1%81%D0%B5%D1%82%D1%8C_%D0%B4%D0%BB%D1%8F_%D1%83%D0%BB%D1%83%D1%87%D1%88%D0%B5%D0%BD%D0%B8%D1%8F_%D0%BA%D0%B0%D1%87%D0%B5%D1%81%D1%82%D0%B2%D0%B0_%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9