每天都有數以百萬計的圖片在網絡上被分享、儲存，用戶借此探索世界，研究感興趣的話題，或者與朋友家人分享假期照片。問題是，大量的圖片要嘛被照相設備的像素所限制，要嘛在手機、平板或網絡限制下被人為壓縮，降低了畫質。
如今高分辨率顯示屏幕正在家庭和移動設備上普及，因此，把低分辨率圖片轉化為高清晰版本，並可在多種設備上查看和分享，正在成為一項巨大的需求。日前，Google 推出了一項新技術 RAISR，其全稱是“Rapid and Accurate Image Super-Resolution”，意為“快速、精確的超分辨率技術”。
RAISR 這項技術能利用機器學習，把低分辨率圖片轉為高分辨率圖片。它的效果能達到甚至超過現在的超分辨率解決方案，同時速度提升大約 10 至 100 倍，且能夠在普通的移動設備上運行。而且，Google 的技術可以避免產生混疊效應（aliasing artifacts）。
之前已經具有透過升采樣方式，把低分辨率圖片重建為尺寸更大、像素更多、更高畫質圖片的技術。最廣為人知的升采樣方式是線性方法，即透過把已知的像素值進行簡單、固定的組合，以添加新的像素值。因為使用固定的線性過濾器（一個恆定卷積核對整個圖片的無差別處理），該方法速度很快。但是它對於重建高清作品里生動的細節有些力不從心。正如下面這張圖片，升采樣的圖片看起來很模糊，很難稱得上畫質提升。
▲ 左為原始圖片；右為升采樣處理后圖片。
對於 RAISR，Google 另辟蹊徑得采用機器學習，用一對低分辨率、高分辨率圖片訓練該程序，以找出能選擇性應用於低分辨率圖片中每個像素的過濾器，這樣能生成媲美原始圖片的細節。目前有兩種訓練 RAISR 的方法：
- 第一種是“直接”方式，過濾器在成對高、低分辨率圖片中直接學習。
- 第二種方法需要先對低分辨率圖片應用低功耗的的升采樣，然后在升采樣圖片和高分辨率圖片的組合中學習過濾器。
- “直接”方式處理起來更快，但第二種方法照顧到了非整數范圍的因素，並且更好地利用硬件性能。
無論是哪種方式，RAISR 的過濾器都是根據圖像的邊緣特征訓練的：亮度和色彩梯度、平實和紋理區域等。這又受到方向（direction，邊緣角度）、強度（strength，更銳利的邊緣強度更高）和黏性（coherence，一項量化邊緣方向性的指標）的影響。以下是一組 RAISR 過濾器，從一萬對高、低分辨率圖片中學習得到（低分辨率圖片經過升采樣）。該訓練過程耗費約 1 小時。
注：3 倍超分辨率學習，獲得的 11×11 過濾器集合。過濾器可以從多種超分辨率因素中學習獲得，包括部分超分辨率。注意當圖中邊緣角度變化時，過濾器角度也跟着旋轉。相似的，當強度提高時，過濾器的銳利度也跟着提高；黏性提高時，過濾器的非均相性（anisotropy）也提高。
從左至右，學習得到的過濾器與處理后的邊緣方向有選擇性的呼應。舉例來說，最底一行中間的過濾器最適合強水平邊緣（90 度梯度角），並具有高黏性（直線的而非彎曲的邊緣）。如果這個水平邊緣是低對比度的，那么如同圖中最上一行，另一個過濾器就被選擇。
實際使用中，RAISR 會在已經學習到的過濾器列表中選擇最合適的過濾器， 應用於低分辨率圖片的每一個像素周圍。當這些過濾器被應用於更低畫質的圖像時，它們會重建出相當於原始分辨率的細節，這大幅優於線性、雙三（bicubic）、蘭索斯（Lancos）解析方式。
▲ RAISR 演算法運行圖式下：原始圖像（左），2 倍雙三解析（中），RAISR 效果（右）。
一些運用 RAISR 進行圖片增強的范例：
▲ 上：原始圖片，下：RAISR 2 倍超分辨率效果。
▲ 左：原始圖片，右：RAISR 3 倍超分辨率效果。
超分辨率技術更復雜的地方在於如何避免混疊效應，例如龜紋（Moire patterns）和高頻率內容在低分辨率下渲染產生的鋸齒（對圖像人為降級的情形）。這些混疊效應的產物會因對應部分的形狀不同而變化，並且很難消除。
▲ 左：正常圖像；右：右下角有龜紋（混疊效應）的圖像。
線性方法很難恢復圖像結構，但是 RAISR 可以。下面是一個例子，左邊是低分辨率的原始圖片，左 3 和左 5 有很明顯的空間頻率混淆（aliased spatial frequencies），而右側的 RAISR 圖像恢復了其原始結構。RAISR 的過濾器學習方法還有一項重要的優點：用戶可以把消除噪音以及各類壓縮演算法的產物做為訓練的一部分。當 RAISR 被提供相應的范例后， 它可以在圖片銳化之外學會消除這些效果，並把這些功能加入過濾器。
▲ 左：有強混疊效應的原始圖片；右：RAISR 處理后效果。
超分辨率技術利用不同的方法已經有了不少進展。如今，透過把機器學習與多年來不斷發展的成像技術相結合，圖像處理技術有了長足的進步，並帶來許多好處。舉例來說，除了放大手機上的圖片，用戶還可以在低分辨率和超高清下捕捉、儲存、傳輸圖像，使用更少的移動網絡數據和儲存空間，而且不會產生肉眼能觀察到的畫質降低。
小結：自從喬布斯 2010 年在 iPhone 4s 上推出“視網膜屏幕”概念之后，數碼產品市場開啟了一場超高清顯示革命。如今，家用顯示器逐步走向 4K，各大手機廠商也競相推出 2K 旗艦機。但 2K、4K 內容的缺乏一直是困擾行業發展的痛點。之前的超分辨率技術受成本、硬件限制，主要應用於專業領域，未能大范圍普及。
此次 Google RAISR 大幅降低了圖像增強的時間成本和硬件要求，有望實現超分辨率技術在消費領域的應用，把充斥網絡的低畫質圖片轉化為高清圖片，大幅提高視覺效果和用戶體驗。雷鋒網十分期待將來 RAISR 在移動設備的應用，例如把消費者手機拍攝的照片轉化為媲美單反畫質的高清美圖。
英文論文地址：
Google Research Blog：
谷歌產品博客今日發文介紹其圖像壓縮技術RAISR，RAISR於去年11月推出，利用機器學習生成高質量版本的低分辨率圖像，使加載每張高清大圖片使用的帶寬減少75%。
專業、技能高超、有獨特風格的許多攝影師們都早已在 Google+ 上建立博客，以支持社區及分享他們的作品。無論是玩具、旅行風景還是街頭藝術，每張照片都有一個獨特的故事，值得以最佳的分辨率來欣賞。
傳統上，以高分辨率欣賞照片意味着需要使用大量帶寬，導致加載速度變慢，數據成本升高。對許多人來說，尤其對數據價格高昂或互聯網接入速度慢的地區的人來說，這是一個值得關注的問題。
為了讓每個人都能觀看到攝影師分享到 Google+ 的高清照片，我們利用機器學習和名為 RAISR 的新技術試圖解決這個問題。RAISR 於11月推出，利用機器學習生成高質量版本的低分辨率圖像，以讓人們能夠欣賞到攝影師的美麗照片。通過使用 RAISR 來顯示 Google+ 上的大圖片，我們能使每張圖片使用的帶寬減少 75%。
雖然我們只在安卓設備子集流中出現高分辨率圖片是才推出此功能，但我們已經每周使用 RAISR 壓縮超過10億張圖片，為用戶降低了約三分之一的總帶寬。接下來幾周里，我們計划更廣泛地推廣這項技術，以進一步節省時間和數據成本。
看到這個技術，想了解一下，看看算法原理，主要參考代碼如下：https://github.com/MKFMIKU/RAISR
版本是基於python2.7的。
算法原理：
（1）先創建一個低分辨率的圖片，保存在hashtable中。
（2）在高低分辨率的成對圖片中學習，即先對低分辨率圖片應用低功耗的的升采樣，然后在升采樣圖片和高分辨率圖片的組合中學習過濾器。