上图：RAISR 算法运行时，应用于低功耗的高效输出。下图：低分辨率原图（左），双三次上采样器 2×（中），RAISR 输出（右）。

一些 RAISR 应用的实例：

上图：原图像，下图：RAISR 超分辨率 2×

左图：原图，右图：RAISR 超分辨率 3×

超分辨率方式的复杂之处在于消除混叠效应，如在较低分辨率渲染高频内容时出现的轮廓图案和锯齿（有时图像会被刻意降低分辨率）。根据底层特性的形状，这些伪像（artifacts）变化复杂，还难以被还原。

图中右下是低光条件下的混叠效应的一个实例

线性方法不能修复底层结构，但是 RAISR 能够做到。下面就是一个例子，左边低分辨的原图在数字 3 和 5 下出现了明显的混淆空间频率（aliased spatial frequencies），而右边的 RAISR 图像修复了原始结构。RAISR 使用的这种过滤器学习方法的另外一个重要好处就是让其拥有专门化的降噪能力，即移除在其训练过程中针对单个压缩算法（例如 JPEG）的压缩失真（compression artifacts）。通过提供这样的人工样本，RAISR 能够学习消减除分辨率增强外的其他影响，就像在结果过滤器中调制一样。

左侧：有很强的混淆现象的低分辨率原图。右侧：RAISR 输出，j2直播，消除了混淆现象

使用一个或多个画面的超分辨率技术，已经取得了很大的进展。如今，机器学习的使用串联了已经发展了数十年的图像技术，在图像处理方面取得了很大的进展并产出许多潜在的价值。例如，除了提升你在手机上双指放缩图像的质量外，你还可以捕捉、保存或者传输低分辨率图像并按照自己的需求超分辨这些图像，在质量上没有视觉上的降低。而且除了没有明显的质量损失，它也利用了更少的移动数据与储存方案。

下面是对该论文的摘要介绍：

论文：RAISR：快速且准确的图像超分辨率（RAISR: Rapid and Accurate Image Super Resolution）

给定一张图像，我们希望能得到一张其对应的更大尺寸、有显著更多像素、更高图像质量的版本。这个问题通常被称为单图像超像素问题（Single Image Super-Resolution (SISR) problem）。其思路是：使用足够多的训练数据（对应的低分辨率和高分辨率图像对），我们就可以训练出一组过滤器（filter，即一种映射），当我们将其应用于一张非训练集的图像时，它就能产生一张该图像的更高分辨率的版本，其中的学习（learning）部分最好应选择低复杂度（low complexity）的。在我们提出的方法中，运行时间（run-time）比目前可用的最佳竞争方法快 1 到 2 个数量级，同时我们的方法还能得到可与当前最佳结果媲美甚至更好的结果。

一个与上述问题紧密相关的主题是图像锐化（image sharpening）和对比度增强（contrast enhancement），即通过增强基本的细节（一个大范围的频率）来提升模糊图像的视觉质量。我们的方法还额外包含了一种极其有效的用来生成比输入模糊图像显著更加锐利的图像的方式，且不需要引入晕圈（halo）和噪声放大（noise amplification）。我们还阐释了：除了单纯的兴趣之外，这种有效的锐化算法还可被用作一种预处理步骤，可用于产生带有内置锐化和对比度增强效果的更有效的放大过滤器（upscaling filter）。

©本文由机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]