从左到右，从上图中可以看到，经过学习的滤波器选择性地与正在重建的下边缘的方向一致。例如，最下面一行中间的滤波器，最适合于具有高度相干性（直的而非弯曲的边缘）的强水平边缘（梯度为90°的角）。如果同样一条水平边缘对比度较低，那么系统会自动选择位于最上面一行的某个滤波器。

　　实际上，在运行中 RAISR 会自动选择，并将经过学习的滤波器列表中，最适合的那个滤波器应用于低分辨率图像中的每个像素邻域。当这些滤波器被用于质量较低的图像时，它们会重建出质量与原始高分辨率图像相当的细节，同时对线性、双三次或 Lanczos 插值法有大幅提升。

　　RAISR 的一些实例如下：

上：原图。下：RAISR 超分辨率输出（2x）

左：原图。右：RAISR 超分辨率输出（3x）

　　实现超高分辨率中，较为复杂的一个方面是去除混叠伪影，例如以较低分辨率渲染高频内容时出现的莫尔图案（Moire patterns）和锯齿状图案（jaggies）。不同的底层特征形状，会使这些伪影产生的情况各有不同，而且很难消除。

左下角可看到混叠伪像

　　线性方法无法恢复基础结构，但 RAISR 可以。

　　下面是一则实例，其中左侧低分辨率原始图像中，数字 3 和 5 下空间频率混叠十分明显，而右侧 RAISR 将最初的结构恢复了过来。RAISR 所使用的滤波器学习方法的另一个重要优点是，我们可以经过训练，指定它去除某种压缩算法（例如 JPEG）特有的噪声或压缩伪像。通过提供伪像样例，RAISR 在提高分辨率之外，还能学会消除其他的效果，将其“融入”（baked）最终得到的滤波器内。

左：低分辨率原图，有很明显的混叠伪像。右：RAISR 输出，消除了混叠

　　论文 RAISR: Rapid and Accurate Image Super Resolution

　　在一帧或多帧图像中使用超分辨率技术已经取得了长足的发展。今天，机器学习与成像技术数十年的进步相结合，使得图像处理在很多方面都得到了提升。例如，除了改善手机上数字的“缩放”功能外，还可以在较低分辨率下捕获、保存或传输图像，并在确保质量不发生明显下降（肉眼不可见）的情况下，开奖，根据需求对图像进行低分辨率或超分辨率处理，并且在实现这些的同时，使用的移动数据和存储量都有所减少。

　　要详细了解该研究细节及其与其他架构的比较，请查看论文，不久后即将在期刊 IEEE Transactions on Computational Imaging 上发表。

　　【进入新智元公众号，在对话框直接输入“1115”下载论文】

　　：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。