杜克大学提出 AI 算法，拯救渣画质马赛克秒变高清
场景描述：将「马赛克」像素级别的大头照转换成高清照片，是一种怎样的体验？杜克大学提出的 AI 算法，不仅可以「去掉马赛克」，还能精细到每一道皱纹、每一根头发。你要试试吗？
原创：HyperAI超神经
关键词：低分辨率 高分辨率 GAN
在这个追求高清画质的时代，我们对渣画质的容忍度越来越低。
在知乎上搜索「低分辨率」、「渣画质」，会看到一大片诸如「如何把低分辨率照片转化成高分辨率照片」、「如何补救清晰度低的照片」、「如何拯救渣画质」之类的问题。
那么，将渣到马赛克级别的画面秒变高清，是一种怎样的体验？杜克大学的研究人员用 AI 算法告诉你。
前所未有，「马赛克」瞬间变高清
杜克大学的研究人员提出了一种 AI 算法，称之为 PULSE（Photo Upsampling via Latent Space Exploration，通过潜在空间探索的照片上采样）。
该算法可以将模糊、无法识别的人脸图像转换成计算机生成的图像，其细节比之前任何时候都更加精细、逼真。
如果用以前的方法，想要把一张模糊的「大头照」变清晰，最多只能将这张照片缩放到原始分辨率的八倍。
但是杜克大学的团队提出了一种新的方法，仅在几秒钟内，就可以把 16x16 像素的低分辨率（Low Resolution，以下简称 LR）小图，放大 64 倍，变成 1024 x 1024 像素的高分辨率（High Resolution，以下简称 HR）图像。
他们的 AI 工具会「想象」出一些原本不存在的特征，即使是原本 LR 照片中无法看到的细节，比如毛孔、细纹、睫毛、头发和胡茬等，经过其算法处理后，都能看得一清二楚。
来看一个具体示例：
领导该团队的杜克大学计算机科学家辛西娅·鲁丁（Cynthia Rudin）说：「以前从来没有像现在这样，能用这么少的像素，就创造出拥有大量细节的超分辨率图像。」
在实际应用方向上，论文的共同作者 Sachit Menon 介绍称：「在这些研究中，我们只是用面部作为概念验证。
但从理论上讲，该技术是通用的，从医学、显微镜学到天文学和卫星图像，都可以通过该技术改善画质。」
打破传统操作，实现最佳效果
虽说此前已经有很多类似的低清变高清的方法，但能够达到像素放大 64 倍级别的，还是业界首次。
传统方法处理此类问题时，一般拿到 LR 图像后，会「猜测」需要多少额外的像素，然后试着将此前处理过的 HR 图像中相应的像素，匹配给 LR 图像。
而这种单纯匹配像素的结果是，像头发和皮肤的纹理这种区域，会出现像素匹配错位的现象。
而且该方法还会忽略了 HR 图像中，感光性等感知细节。所以最终在平滑度、感光度上出现问题，结果依然会显得模糊或者不真实。
杜克大学的团队则提出的新方法，可以说是开辟了新的思路。
在拿到一张 LR 图像后，PULSE 系统不会慢慢添加新的细节，而是遍历 AI 生成的 HR 图像，将这些 HR 图像对应的 LR 图像与原图对比，找到最接近的那张。
打个比方，相当于拿 LR 图片做个「连连看」，找到最相似的 LR 版本，那么再反推回去，这张 LR 图像所对应的 HR 图像，就是最终要输出的结果。
团队使用了生成对抗网络（简称 GAN ），它包括对同一张照片数据集进行训练的两个神经网络，即生成器与鉴别器。
其中，生成器模拟它所受过训练的人脸，提供 AI 创建的人脸，而鉴别器则获得了该输出，并确定它是否足以以假乱真。
随着经验的积累，生成器的经验会越来越好，直到鉴别器无法分辨出差异。
他们用一些真实图像进行试验，效果对比如下图所示：
虽然生成的高分辨率图与原图仍有一些差距，但是这比以前的方法要清晰很多。
评估：优于其它方法，得分接近真实照片
团队在著名的高分辨率人脸数据集 CelebA HQ 上评估了其算法，用 64×，32× 和 8× 的比例因子进行了这些实验。
研究人员要求 40 个人对通过 PULSE 和其他五种缩放方法生成的 1440 张图像进行 1 到 5 的评分，而 PULSE 的效果最佳，得分几乎与真实的高质量照片一样高。
团队成员表示，PULSE 可以从嘈杂、低质量的输入中，创建逼真的图像，即使原图连眼睛、嘴巴都无法辨认。这是其他方法无法做到的。
不过，该系统还不能用于识别身份，研究人员表示：「它无法将安全摄像头拍摄的失焦、不能识别的照片，变成真人的清晰图像。它仅会生成不存在但看上去很真实的新面孔。」
在具体应用场景上，除了上文提到的，该技术未来可能应用在医学、天文学之外，对于大众来说，拥有这项黑科技之后，就可以把 N 年前的老照片变高清。对于编辑同志们来说，更是一大福音，再也不用为找高清配图而头大了。
温馨提示：研究人员还会在正在举行的 CVPR 2020（计算机视觉和模式识别会议）上介绍他们的方法，大家可以关注一下：http://cvpr2020.thecvf.com/program/tutorials
论文地址：
https://arxiv.org/pdf/2003.03808.pdf
版权声明: 本文为 InfoQ 作者【神经星星】的原创文章。
原文链接:【http://xie.infoq.cn/article/ef758ed9718be846d1c0890d1】。文章转载请联系作者。
不自由，很枯燥 2020.04.28 加入
探索人工智能新场景
评论