似沐夕梓
人们每天都会使用网络分享和存储数以百万计的图片。然而，这些图像中的许多图像受到用于拍摄照片的设备的分辨率的限制，或者故意降级以适应手机，平板电脑或它们所连接的网络的限制。随着家用和移动设备无处不在的高分辨率显示器的需求，从各种设备中快速查看和共享高分辨率图像的高质量版本的需求越来越强烈。
RAISR 引入了一种技术，结合了机器学习，以生成高质量的低分辨率图像版本。RAISR产生的结果与目前可用的超分辨率方法相比甚至更好，速度大约快10至100倍，可以实时在移动设备上运行。此外，其技术能够避免重建低分辨率图像中可能存在的混叠伪像。上采样由低质量图像产生具有更多像素和更高图像质量的更大尺寸图像的过程已经存在了相当长的一段时间。众所周知的上采样方法是线性方法，其使用附近现有像素值的简单和固定组合来填充新的像素值。这些方法速度很快，因为它们是固定的线性滤波器（在图像中均匀应用常数卷积核）。但是，这些上采样方法的快速性，也使得它们无法在更高分辨率的结果中显示生动的细节。
使用RAISR，Google用机器学习和训练成对的图像，一个低质量，一个高，以找到过滤器，当应用于选择性低分辨率图像的每个像素时，将重新创建质量可比的细节原本的。RAISR可以通过两种方式进行培训。第一种是“直接”方法，即直接从低分辨率和高分辨率图像对学习滤波器。另一种方法包括首先将一个计算便宜的上采样器应用于低分辨率图像（如上图所示），然后从上采样和高分辨率图像对中学习滤波器。尽管直接方法计算速度更快，但第二种方法允许使用非整数比例因子，并更好地利用基于硬件的上采样。对于任何一种方法，RAISR滤波器都根据。训练边缘特征图像中的小片发现， -亮度/颜色梯度，平坦/纹理区域等-其特征在于，方向（一个边缘的角度），强度（尖锐边缘具有更大的强度）和相干性（的如何的量度定向的边缘是）。下面是一组RAISR滤波器，从10,000个高分辨率图像对（其中低分辨率图像首先被上采样）的数据库中学习。
