变更庞杂

2016-12-03 08:50


上图:原图像,下图:RAISR 超分辨率 2×

使用一个或多个画面的超分辨率技术,已经获得了很大的进展。现在,机器学习的使用串联了已经发展了数十年的图像技巧,在图像处置方面取得了很大的进展并产出很多潜在的价值。例如,除了晋升你在手机上双指放缩图像的质量外,你还能够捕获、保留或者传输低分辨率图像并依照本人的需要超分辨这些图像,在质量上不视觉上的降低。而且除了没有显著的品质丧失,它也应用了更少的挪动数据与贮存计划。


左图:原图,右图:RAISR 超分辨率 3×

超辨别率方法的庞杂之处在于打消混叠效应,如在较低分辨率渲染高频内容时呈现的轮廓图案跟锯齿(有时图像会被刻意下降分辩率)。依据底层特征的外形,这些伪像(artifacts)变更复杂,还难以被还原。

线性办法不能修复底层构造,然而RAISR 可以做到。下面就是一个例子,左边低分辨的原图在数字3和5下涌现了显明的混杂空间频率(aliased spatial frequencies),而右边的 RAISR 图像修复了原始结构。RAISR 应用的这种过滤器学习方式的另外一个主要利益就是让其领有专门化的降噪才能,即移除在其练习进程中针对单个压缩算法(例如 JPEG)的紧缩失真(compression artifacts)。通过供给这样的人工样本,RAISR 可能学习消减除分辨率加强外的其余影响,就像在成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,排除了混淆景象