В работе рассмотрена задача удаления нескольких видов шумов из изображения. Для более эффективного решения этой задачи предполагается использовать генеративно-состязательные нейронные сети. В работе рассмотрены технологии и математические основы построения нейронных сетей, а также проанализированы популярные архитектуры нейросетей. Разработана архитектура нейронной сети для решения задачи удаления шума, подготовлены данные для обучения данной сети. Нейросеть была обучена на подготовленных данных. Вся работа проводилась с использованием языка Python, библиотек для машинного обучения Tensorflow и Keras, среды IPython с оболочкой Jupyter Notebook. Для отрисовки графиков и изображений использована библиотека Matplotlib. Результатом работы является обученная нейронная сеть, которая способна более эффективно, чем стандартные методы, удалять шум из изображений определённого типа.

The work considers the task of removing several types of noise from an image. The work discusses the technologies and mathematical foundations of the construction of neural networks, and also analyzes the popular architecture of neural networks. An architecture of a neural network was developed to solve the problem of noise removal, dataset wes prepared for training this network. The neural network was trained on the prepared data. All work was carried out using the Python language, Tensorflow and Keras machine learning libraries, and the IPython environment with the Jupyter Notebook shell. To draw graphs and images, the Matplotlib library was used. The result of the work is a trained neural network, which is able to more effectively than standard methods remove noise from images of a certain type.