A velocidade da coleta de dados em muitos tipos de tecnologias de imagem, incluindo ressonância magnética, depende do número de amostras coletadas pela máquina. Quando o número de amostras coletadas é pequeno, redes neurais profundas podem ser usadas para remover o ruído resultante e os artefatos visuais.
A tecnologia funciona, mas não há uma estrutura teórica padrão – nenhuma teoria completa – para descrever por que ela funciona.

Em um artigo apresentado na conferência NeurIPS no final de 2021, Ulugbek Kamilov, na Escola de Engenharia McKelvey da Universidade de Washington em St. Louis, e coautores estabeleceram um caminho para uma estrutura clara. Kamilov é professor assistente no Departamento de Engenharia Elétrica e de Sistemas de Preston M. Green e no Departamento de Ciência da Computação e Engenharia.

As descobertas de Kamilov provam, com algumas restrições, que uma imagem precisa pode ser obtida por uma rede neural profunda a partir de muito poucas amostras se a imagem for do tipo que pode ser representado pela rede.

A descoberta é um ponto de partida para uma compreensão robusta de por que a IA de aprendizado profundo é capaz de produzir imagens precisas, disse Kamilov. Ele também tem o potencial de ajudar a determinar a maneira mais eficiente de coletar amostras e ainda obter uma imagem precisa.