神经网络已成功用于监督学习以对图像进行分类。
我目前正在研究一个不同的问题：区分显示某物的图像，包含一些明显的顺序，与只是白噪声的图像。我想对图像的有序程度进行一些数字估计。
显然有几种方法可以做到这一点，例如PNG压缩图像并查看它缩小了多少。 （纯噪声是不可压缩的。）但我目前有兴趣尝试用神经网络来做这件事；在我看来，应该可以使用某种自动编码器通过无监督学习来做到这一点。
这是已经完成的事情了吗？理想情况下使用 PyTorch，但我很乐意查看使用任何语言和框架的解决方案。
【问题讨论】：
标签： machine-learning neural-network computer-vision pytorch unsupervised-learning
这个问题对于stackoverflow来说有点太宽泛了，看起来更像是一个研究问题。在https://stats.stackexchange.com/ 中，该主题也将更贴近机器学习人员潜伏的地方。
不过很有趣的问题。根据我的经验，使用分析解决方案总是比尽可能尝试学习解决方案要好，我认为机器学习是当事情变得太复杂时可以依靠的东西。检测纯噪声图像相对简单，可以预期图像的Shannon entropy 会爆炸。你也可以例如将图像直方图的K-L divergence 与高斯或泊松分布或您期望的任何噪声分布相匹配。如果图像真的只是噪音，那么我希望这些解决方案中的任何一个都可以非常轻松快速地对它们进行分类，而只需很少的调整。如果您想了解答案，我建议您制作一些信息论或简单的基于边缘等特征并对其进行分类，例如使用朴素贝叶斯或 SVM。
如果您想使用神经网络，那当然，我相信您可以教一个模型来获取信息内容的概念。 Deep image prior 是最近一篇流行的文章，它使用了自动编码器对结构化图像具有较低“阻抗”的想法。他们用它来去噪、估算和做超分辨率，但我相信你可以通过遵循相同的思路来制作一个无监督或半监督的基于 NN 的无意义检测器。我希望它比更简单的手工信息理论方法慢几个数量级，但精度相似或更差。
【讨论】：