机器学习用于提升分辨率g超技术模糊图片瞬间变清晰运算速度快十倍博客

1、2018/1/10超分辨率技术 RAISR：模糊图片瞬间变清晰，运算速度快十倍 - CSDN博客超分辨率技术 RAISR：模糊图片瞬间变清晰，运算速度快十倍 每天 数以百万计的图片在 上被 、储存，用户借此探索世界，研究感 的话题，或者与朋友家人假期 。问题是，大量的图片要嘛被照相设备的像素所限制，要嘛在 、平板或 限制下被人为压缩，降低了画质。如今高分辨率显示屏幕正在家庭和移动设备上普及，因此，把低分辨率图片转化为 晰版本，并可在多种设备上查看和 ，正在成为一项巨大的需求。日前， 推出了一项新技术 RAISR，其全称是“Rapid and Accurate Image Super-Resol

2、ution”，意为“快速、精确的超分辨率技术”。RAISR 这项技术能利用 学习，把低分辨率图片转为高分辨率图片。它的效果能达到甚至超过现在的超分辨率解决方案，同时速度提升大约 10 至 100 倍，且能够在普通的移动设备上运行。而且， 的技术可以避免产生混叠效应（aliasing artifacts）。之前已经具有透过升采样方式，把低分辨率图片重建为 更大、像素 、更高画质图片的技术。最广为人知的升采样方式是线性方法，即透过把已知的像素值进行简单、固定的组合，以添加新的像素值。因为使用固定的线性过滤 器（一个恒定卷积核对整个图片的无差别处理），该方法速度很快。但是它对于重建 里生动的细节有些

3、力不从心。正如下面这张图片，升采样的图片看起来很模糊，很难称得上画质提升。 原始图片；右为升采样处理后图片。对于 RAISR， 另辟蹊径得采用 学习，用一对低分辨率、高分辨率图片训练该程序，以找出能选择性应用于低分辨率图片中每个像素的过滤器，这样能生成媲美原始图片的细 前有两种训练 RAISR 的方法：1/62018/1/10超分辨率技术 RAISR：模糊图片瞬间变清晰，运算速度快十倍 - CSDN博客第一种是“直接”方式，过滤器在成对高、低分辨率图片中直接学习。第二种方法需要先对低分辨率图片应用低功耗的的升采样，然后在升采样图片和高分辨率图片的组合中学习过滤器。 “直接”方式处理起来更快，但

4、第二种方法照顾到了非整数范围的因素，并且更好地利用硬件性能。无论是哪种方式，RAISR 的过滤器都是根据图像的边缘特征训练的：亮度和色彩梯度、平实和纹理区域等。这又受到方向（direction，边缘角度）、强度（strength，更锐利的边缘强度更高）和黏性（coherence，一项量化边缘方向 性的指标）的影响。以下是一组 RAISR 过滤器，从一万对高、低分辨率图片中学习得到（低分辨率图片经过升采样）。该训练过程耗费约 1 小时。注：3 倍超分辨率学习，获得的 11×11 过滤器集合。过滤器可以从多种超分辨率因素中学习获得，包括部分超分辨率。注意当图中边缘角度变化时，过滤器角度也

5、跟着旋转。相似的，当强度提高时，过滤器的锐利度也跟着提高；黏 性提高时，过滤器的非均相性（anisotropy）也提高。从 ，学习得到的过滤器与处理后的边缘方向有选择性的呼应。举例来说，最底一行中间的过滤器最适合平边缘（90 度梯度角），并具有高黏性（直线的而非弯曲的边缘）。如果这个水平边缘是低对比度的，那么如同图中最，另一个过滤器就被选择。实际使用中，RAISR 会在已经学习到的过滤器列表中选择最合适的过滤器， 应用于低分辨率图片的每一个像素周围。当这些过滤器被应用于更低画质的图像时，它们会重建出相当于原始分辨率的细节，这大幅优于线性、（bicubic）、兰 （Lancos） 方式。2/62

6、018/1/10超分辨率技术 RAISR：模糊图片瞬间变清晰，运算速度快十倍 - CSDN博客 RAISR 演算法运行图式下：原始图像（左），2 倍（中），RAISR 效果（右）。一些运用 RAISR 进行图片增强的范例： 上：原始图片，下：RAISR 2 倍超分辨率效果。3/62018/1/10超分辨率技术 RAISR：模糊图片瞬间变清晰，运算速度快十倍 - CSDN博客 左：原始图片，右：RAISR 3 倍超分辨率效果。超分辨率技术更复杂的地方在于如何避免混叠效应，例如龟纹（Moire patterns）和高频率内容在低分辨率下渲染产生的锯齿（对图像人为降级的情形）。这些混叠效应的产物会因

7、对应部分的形状不同而变化，并且很难消除。4/62018/1/10超分辨率技术 RAISR：模糊图片瞬间变清晰，运算速度快十倍 - CSDN博客 左：正常图像；右：右下角有龟纹（混叠效应）的图像。线性方法很难恢复图像结构，但是 RAISR 可以。下面是一个例子，左边是低分辨率的原始图片，左 3 和左 5 有很明显的空间频率 （aliased spatial frequencies），而右侧的 RAISR 图像恢复了其原始结构。RAISR 的过滤器学习方法还有一项重要的优点：用户可以把消除噪音以及各类压缩演算法的产物做为训练的一部分。当 RAISR 被提供相应的范例后， 它可以在图片锐化之外学会消

8、除这些效果，并把这些功能加入过滤器。 左：有强混叠效应的原始图片；右：RAISR 处理后效果。超分辨率技术利用不同的方法已经有了不少进展。如今，透过把像处理技术有了长足的进步，并带来许多好处。举例来说，除了放大捕捉、储存、传输图像，使用更少的移动 数据和储存空间，而且学习与多年来不断发展的成像技术相结合，图上的图片，用户还可以在低分辨率和超 下产生肉眼能观察到的画质降低。5/62018/1/10超分辨率技术 RAISR：模糊图片瞬间变清晰，运算速度快十倍 - CSDN博客小结：自从2010 年在4s 上推出“视网膜屏幕”概念之后，数码 市场开启了一场超 显示革命。如今，家用显示器逐步 4K，各大 厂商也竞相推出 2K 旗舰机。但 2K、4K 内容的缺乏一直是困扰行业发展的痛点。之前的超分辨率技术受成本、硬件限制，主要应用于专业领域，未能大范围普及。此次R