Zi 字媒體

今天不寫硬體了，來點軟的。就聊聊「如何用技術去掉馬賽克」這件事情。別污，我們在聊一個把藝術和科技結合起來的黑科技。某些時候我們需要一些能把低解析度，也就是充滿馬賽克的圖像還原，利用已有的軟體還是比較費時費力。之前谷歌曾有一個 RAISR 技術，全稱為「快速、精確的超解析度技術」。它能通過識別低解析度圖像並且採樣，使用過濾器來強化像素細節。在保持圖像大小不變的基礎上，使畫質變得高清。但是只能作用於解析度不會太低的圖像。而近日，谷歌大腦發表論文，闡述其最新開發的圖片還原技術——像素遞歸超解析度技術很長的名字，大家只要知道它是一項能提高圖像解析度的技術就成。這項技術能將 8x8（64像素）的低解析度圖片還原成 32x32 解析度。谷歌大腦和 DeepMind 是 Alphabet 的兩大深度學習研究機構。前者主要研究機器深度學習，開發的智能軟體廣泛用於谷歌的產品中。後者則因為其開發的 AlphaGo 而名聲大噪。8x8 解析度有多低，看下圖。完全看不出是個啥。經過處理后：而原圖是這樣的：為什麼我覺得比原圖好看多了。。。這個技術實現的原理，用最簡單明了的話來說就是：計算機經過挑選、對比，從大量相似照片中，根據一定概率演算法往低解析度圖像里填充更高清的細節。（我提前預警一下，以下內容略深奧）論文闡述了在復原過程中主要使用的是兩種神經網路：一個是條件網路(conditioning network)。將資料庫中的高清圖片迅速降低解析度，然後與需要還原的低解析度照片進行對比，匹配一大堆同類相似照片。第二個是優先網路（prior network），基於像素卷積神經網路(PixelCNN) 往低解析度照片中增加真實的高清細節。卷積神經網路（Convolutional Neural Network）是一種前饋神經網路，它的人工神經元可以響應一部分覆蓋範圍內的周圍單元，對於大型圖像處理有出色表現。在論文的案例里，提供的同類照片是名人和卧室，優先網路根據優先順序最終確認名人的照片。跟著，優先網路在高解析度和低解析度的圖像中根據概率做出決定，比如某個像素的位置應該是鼻孔，那麼就會添加高清的鼻孔上去。兩個神經網路的最佳猜測會整合成最終的圖像。雖然最終的結果都不太像原圖，而且會有怪異的圖像出現，像這種：但是人眼分辨的測試結果出乎意料。當測試中要求觀察者選出照相機拍攝的名人照片時，10% 選擇了經過修復的圖片（50%就屬於完美得分）。百分比為選擇修復圖片的比例而在卧室照片的測試中，則有 28% 的人選擇了經過還原的卧室圖片。百分比為選擇修復圖片的比例儘管還原的圖片能瞞過一部分人，但是這項技術是有限制的：還原的圖片是計算機經過深度學習，根據相似圖像猜測細節的結果。所以在執法領域，可以將模糊的犯罪嫌疑人、死者的圖像變得更清晰，但是不能得到真實的照片。儘管如此，能給予的幫助還是很大的。畢竟現在我們拍出來的真實照片其實也並不真實。最後教大家一個快速消除馬賽克的方法，把眼鏡摘下來，離遠點看，世界從未有過的清晰。不謝哈。