谷歌超分辨率技术RAISR：模糊图片瞬变高清，速度提升数十倍

蒹葭

谷歌超分辨率技术RAISR：模糊图片瞬变高清，速度提升数十倍

　　每天都有数以百万计的图片在互联网上被分享、存储，用户借此探索世界，研究感兴趣的话题，或者与朋友家人分享假期照片。问题是，大量的图片要么被照相设备的像素所限制，要么在手机、平板或网络限制下被人为压缩，降低了画质。

　　如今高清显示屏正在家庭和移动设备上普及，因此，把低分辨率图片转化为高清版本，并可在多种设备上查看和分享，正在成为一项巨大的需求。日前，谷歌推出了一项新技术RAISR，其全称是“Rapid and Accurate Image Super-Resolution”，意为“快速、精确的超分辨率技术”。

　　RAISR这项技术能利用机器学习，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，同时速度提升大约十至一百倍，且能够在普通的移动设备上运行。而且，谷歌的技术可以避免产生混叠效应(aliasing artifacts)。

　　此前已经具有通过升采样方式，把低分辨率图片重建为尺寸更大、像素更多、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，即通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。但是它对于重建高清作品里生动的细节有些力不从心。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。

　　对于RAISR，谷歌别辟蹊径得采用机器学习，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图片中每个像素的过滤器，这样能生成媲美原始图片的细节。目前有两种训练RAISR的方法：

　　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)。该训练过程耗费约一小时。

　　注：3倍超分辨率学习，获得的11x11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。

　　从左至右，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强水平边缘(90度梯度角)，并具有高粘性(直线的而非弯曲的边缘)。如果这个水平边缘是低对比度的，那么如同图中最上一行，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、双三(bicubic)、兰索斯(Lancos)解析方式。

　　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对应部分的形状不同而变化，并且很难消除。

　　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混淆(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算法的产物作为训练的一部分。当RAISR被提供相应的范例后，它可以在图片锐化之外学会消除这些效果，并把这些功能加入过滤器。

　　超分辨率技术利用不同的方法已经有了不少喜人的进展。如今，通过把机器学习与多年来不断发展的成像技术相结合，图像处理技术有了长足的进步，并带来许多好处。举例来说，除了放大手机上的图片，用户还可以在低分辨率和超高清下捕捉、存储、传输图像，使用更少的移动网络数据和存储空间，而且不会产生肉眼能观察到的画质降低。

　　小结：自从乔帮主2010年在iphone 4s上推出“视网膜屏”概念之后，数码产品市场开启了一场超高清显示革命。如今，家用显示器逐步走向4K，各大手机厂商也竞相推出2K旗舰机。但2K、4K内容的缺乏一直是困扰行业发展的痛点。此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。

　　此次谷歌RAISR大幅降低了图像增强的时间成本和硬件要求，有望实现超分辨率技术在消费领域的应用，把充斥互联网的低画质图片转化为高清图片，大幅提高视觉效果和用户体验。十分期待将来RAISR在移动设备的应用，例如把消费者手机拍摄的照片转化为媲美单反画质的高清美图。


　　来源：雷锋网