通过供给这样的人工样本

2016-12-19 12:00

从左到右,咱们看到学习过滤器抉择性地对应正在重建的下边缘方向。例如:底部行旁边的过滤器最合适坚持强水平边缘(梯度角90°)同时存在高度相关性(一条直的,而不是曲折的边缘)假如这条雷同的程度边沿是低对照度的,则顶行中会有另一个过滤器被选中。

一些RAISR 利用的实例:

在实际中,运行时(at run-time)RAISR 会取舍并运用学习到的过滤器中与低分辨率图像中每个相邻像素最相干的过滤器。当这些过滤器被应用于低品德的图像时,它们会重建具备原始高分辨率的的品质细节,对线性,双三次或Lanczos 插值法等方式有明显的机能晋升。


上图:原图像,下图:RAISR 超分辩率 2×


左图:原图,右图:RAISR 超辨别率 3×

超分辨率方法的复杂之处在于打消混叠效应,如在较低分辨率渲染高频内容时呈现的轮廓图案跟锯齿(有时图像会被刻意下降分辨率)。依据底层特征的外形,这些伪像(artifacts)变更庞杂,还难以被还原。

线性方式不能修复底层结构,然而RAISR 可能做到。下面就是一个例子,左边低分辨的原图在数字3和5下涌现了显明的混杂空间频率(aliased spatial frequencies),而右边的 RAISR 图像修复了原始构造。RAISR 应用的这种过滤器学习办法的另外一个主要利益就是让其领有专门化的降噪才能,即移除在其练习进程中针对单个压缩算法(例如 JPEG)的紧缩失真(compression artifacts)。通过供给这样的人工样本,RAISR 可以学习消减除分辨率加强外的其余影响,就像在成果过滤器中调制一样。