Машинното обучение е друга тенденция в който се намираме в момента и предполага, че можем да се възползваме от него, за да получим по-добри препоръки при слушане на тези музикални плейлисти в Google Play Music. Вчера коментирахме играта на големия G С новата актуализация и машинното обучение, което ще опознае повече за вас, докато използвате приложението повече.
Сега искате да използвате този двигател за всички онези снимки, които са ограничени от разделителната способност на устройството или от намалената вътрешна памет на устройството. Google не иска да пропусне възможността, че снимките с по-висока разделителна способност са все по-необходими, тъй като екрани като смарт телевизори или фаблети ги изискват. Ето защо има представи техниката, наречена RAISR.
„RAISR: Бързо и точно изображение със супер разделителна способност“
Това е техника, която включва машинно обучение, за да го произвеждат висококачествени версии на изображения с ниска разделителна способност. RAISR дава резултати, които са сравними или по-добри от наличните методи за супер разделителна способност, и дори подобрява времето за работа с 10 до 100 пъти. Тази бързина в процеса им позволява да бъдат достъпни на устройство в реално време. Дори по-късно, тази техника ще предотврати възстановяването на назъбени или псевдоними артефакти, които съществуват в изображения с ниска разделителна способност.
От няколко години съществува техника, наречена upsampling, което създава по-голямо изображение с по-голям брой пиксели и изображение с по-високо качество от такова с ниска разделителна способност. Техника, която използва линейни методи, които запълват стойностите на нов пиксел чрез използване на комбинации от стойностите, които го заобикалят. Този метод е бърз, тъй като те са линейни филтри. Докато това, което ги прави бързи, ги прави по-малко ефективни при представянето на ярки детайли в резултатите с по-висока разделителна способност. Изображението по-долу го показва перфектно.
Как работи RAISR
RAISR използва машинно обучение с няколко изображения, един с ниско качество и един с високо качество, за да се намерят филтри, които, когато селективно се прилагат към всеки пиксел от изображението с по-ниска разделителна способност, ще пресъздадат детайли, сравними с качеството на оригинала. RAISR може да бъде „обучен по два начина“. Първият е директен метод, при който филтрите се научават директно от двойката изображения с ниска и висока разделителна способност. Другият метод предава филтър, подобен на метода "upsampler", към изображение с ниска разделителна способност и след това "изучава" филтрите на дадения пропуск и изображението с висока разделителна способност.
Независимо от метода, RAISR филтрира те са "обучени" според характеристиките на "върховете", открити в малки петна от изображения, като градиенти на цвят / яркост, текстурирани или плоски области и други, които се характеризират с посока, мощност и съгласуваност.
Накратко, в реално време RAISR избира и прилага най-подходящите филтри от списъка на научените от всеки съседен пиксел в изображението с ниска разделителна способност. Когато тези филтри се прилагат към изображение с най-лошо качество, пресъздава детайли, които са сравними по качество с оригинала с висока резолюция. Това е, което прави, като премахва назъбени артефакти като модели на Муар и други.
Към днешна дата използването на машинно обучение, в продължение на десетилетия напредък в технологията за изображения, даде възможност за напредък в обработката на изображения, който се крие в голямо разнообразие от потенциални ползи. Един от примерите, дадени от Google, би бил да се подобри жестът на „щипка за мащабиране“ или „щипка“ на телефона, което би постигнало, че той може да бъде заснеман, запазен или предавайте изображения с по-ниска резолюция така че най-накрая да достигне целта си в правилната, висококачествена резолюция. Това би означавало голямо спестяване на данните, използвани при прехвърлянето и в плановете за съхранение.