讨厌马赛克？Google 表示你可以「修复」它了 - Military版

本页内容为未名空间相应帖子的节选和存档，一周内的贴子最多显示50字，超过一周显示500字访问原贴

Military版 - 讨厌马赛克？Google 表示你可以「修复」它了

(共1页)

A*******0
发帖数: 1

1982 年上映的科幻电影《银翼杀手》构想了一个充满赛博朋克科技的 2019 年：漫天
都是飞行汽车，人类可以使用一种大屏幕机器（Esper）完成许多不可思议的工作。
主角里克·戴卡德在追查复制人行踪时，就用了 Esper 来挖掘一些被肉眼忽略掉的线
索。
里克将现场找到的一张可疑的照片塞进了 Esper 里面，一遍又一遍地无损放大照片上
的一角，最后在镜子的倒影找到了人造人朱拉。
科幻作品的想象力有时候确实会被当时的科技所局限，1982 年 PC 才刚开始流行，《
银翼杀手》没有想象到互联网的出现改变了人类生活的方式，也没能想像出模拟技术会
有一天被数字技术取代。
不过它对无损放大图像技术的想象却十分超前，这是一个至今都难以解决的难题。
你可能也遇到过这样的情境：聚会过后朋友们一起拍了一张合照，回去后放大合照想看
看老同学的脸，或者当晚喝的饮料品牌，结果看到的却是模糊不清的马赛克。
这是因为当我们将照片放大到一定程度时，局部分辨率已经非常低，看到的都是像素点
组成的图像。
我们有可能像 30 年前的幻想那样，从微不足道的「马赛克」提炼出额外的图像信息吗？
Google 的 AI 团队近日的发布的一篇博客里提到了一个新的图片算法，非常接近《银
翼杀手》的设想。
不可思议的分辨率提升
一张 64 X 64 像素的照片有多大？以 iPhone 拍摄的 1200 万像素的照片为模版，大
约只有其三千分之一的大小，显示在一块高清的屏幕上时，你只会看到满满的「马赛克
」。
在数字时代，我们在屏幕里看到的每一个图像都是由密密麻麻的像素组成，单位面积组
成图像的像素越多，分辨率就越高，图像也就相应得越清晰。
Google 的 AI 研究人员便在思考，有没有可能从低分辨率提取到足够多的图片信息，
用机器学习尽可能还原图片的原貌，提高图片的分辨率，得到一张清晰的图片呢？
在其最近发表的博客，Google 展现了其最新的研究成果，从效果来看十分震撼——通
过两种不同的算法，能将 64 X 64 像素的照片还原成 1024 X 1024 像素分辨率，并且
细节效果非常逼真。
需要指出的是，Google 通过机器学习用算法还原出来的照片与原照片势必会存在一些
偏差，但当我们无法获得原始景象（例如过去的老照片）时，一张尽可能贴近真实的「
还原」照片确实难能可贵。
根据 Google 的介绍，修复一张「马赛克」照片由两个过程组成——「破坏」与「重组
」。
首先，为了尽可能挖掘「马赛克」像素方块的图形细节，Google 的研究人员会先用高
斯噪声算法处理试验样本，得到一张完全由噪点组成的「雪花图」，看起来有点像以前
模拟电视无信号的画面。
接着，研究人员再利用神经网络算法，逆转高斯噪声的破坏过程，通过反向复原的过程
合成新的图像数据，将从纯噪声图尽可能地降噪，得到一张清晰的图片。
图片修复的原理并不复杂，但是其中涉及到的算法并不简单，为了修复出「一比一还原
」的高清大图，Google 的研究人员提出了超分辨率算法 SR3 和级联扩散模型 CDM，通
过大规模的图片比对学习提高还原的准确性。
值得一提的是，虽然我们一直用「马赛克」来称呼低分辨率的大像素低清图片，但这和
真正经过打码的照片有着本质上的差异。
Google 的还原算法之所以能够将低清图片变清晰，本质上是根据图片本身所包含的正
确图像信息，通过庞大的数据库里的无数图像进行比对、匹配，最后得到模拟出的近似
像素填充。
而当照片被涂抹上马赛克时，图片所包含的图像信息就会发生变化。
马赛克算法简单来说去在一个区域内，按照固定间隔，随机选择像素点的颜色，然后把
区域内所有像素的颜色取得平均值，变成新的颜色填在方格里。
经过打码后，原本的像素信息都以丢失，得到的只是随机算出的错误信息，这时再让机
器学习去还原，就像是要求它对着一道题目完全出错的试卷做出正确答案，几乎不可能
答得出来。
所以如果有人想用 Google 算法挖掘一些被抹掉的隐私信息，可以打消这个念头了。
你已经迈入了未来
Google 的高清修复算法最终很有可能应用到 Google 照片、Snapseed 等 Google 图像
处理软件中，像 HDR、视角矫正等算法一样成为我们的修图工具之一。
回到《银翼杀手》电影上， Esper 其实是台很有趣的机器，它有点是模拟技术与数字
技术的融合。
一方面它很先进，人们可以用语音控制它，并且实现无损放大；另一方面它又很老套，
有着清晰的大屏幕却还是 CRT 结构，导入照片的过程还是从实体照片扫描。
根据电影的效果，Esper 有可能是定点照片的某一处坐标后，通过精密的镜片结构（显
微镜）放大照片观察。现在来看，无损放大的想法很超前，但模拟技术显然不是属于现
实的未来。
对于现代人来说，拿在手里的手机和电脑就是每个人的「Esper」。
如今照片早已完成了全数字化工作流的演变，用数字技术放大照片已经不是难事。换句
话说，其实你已经迈入了《银翼杀手》所描绘的「未来」。
图像超分辨率一直是计算机视觉领域一个热门的研究主题，Adobe 等公司都在开拓相关
的图像处理技术，在 Photoshop、Lightroom 等图形处理软件已经有所应用。
以 Photoshop 为例，在导入了 RAW 格式图片后，可以选择「增强」功能的「超分辨率
」功能，软件会根据相似内容参照，丰富图片的纹理，将图片的分辨率放大 4 倍，整
个过程大概需要一分钟。
对比增强前后的照片可以看到，分辨率提高后照片的锐度有了明显的提高，一些模糊不
可辨认的细节也变得清晰。
Adobe 在今年 3 月发布的一篇技术博客中提到，其采用的超分辨率算法也是通过了大
量的机器学习训练，不断地在完善和改进。
让图片分辨率爆炸式地提高有什么意义吗？也许在拍摄完照片后，你不会将之放大深究
每一个细节，但是当你需要将这张照片打印出来时，照片成像的分辨率直接决定了打印
的最大尺寸。
这对摄影师来说显得尤为重要，有时候在用广角镜头拍摄风光时天边飞过一只老鹰，用
广角镜头抓拍往往不能拍摄到鹰身上的羽毛细节，这时用超分辨率放大后再裁切，很可
能就能得到想要的画面。
Adobe 在博客里用了一张 250 万像素的照片作为例子，用超分辨率功能放大到了 1000
万像素，使之可以打印成「像样」的照片，Adobe 将这个过程形容为「数字变焦」。
对比 Adobe 和 Google 的算法，两者存在着一些差异，Adobe 需要保留了大量图片原
始信息的 RAW 格式照片进行计算，而 Google 的算法可以基于一些非常粗糙的信息来
还原照片。
目前来看，两种算法都仍未完全成熟，还需要大量的机器学习提高计算还原的准确度。
不过可以肯定的是，超分辨率技术会在不久的将来成为最流行的图像技术之一，帮助人
们摆脱长焦镜头等器材的限制，记录下生活的每一个细节瞬间。为了看到更清晰的世界
，我们仍未停止探索。

(共1页)

进入Military版参与讨论

#	版面	帖数(主题数)
-	全站	4871 (796)
1	Military	3777 (569)
2	Stock	341 (51)
3	Joke	117 (17)
4	History	116 (3)
5	Automobile	100 (9)
6	USANews	55 (9)
7	Midlife	45 (1)
8	Headline	41 (41)
9	Dreamer	33 (13)
10	FleaMarket	32 (20)
11	Living	30 (7)

boards

未名新帖统计// 7月16日

历史上的今天