Maschinelles Lernen ist ein weiterer Trend in dem wir uns gerade befinden und davon ausgehen, dass wir es nutzen können, um bessere Empfehlungen zu erhalten, wenn wir diese Musikwiedergabelisten auf Google Play Music anhören. Gestern haben wir das Spiel des großen G kommentiert Mit dem neuen Update und dem maschinellen Lernen erfahren Sie mehr über Sie, wenn Sie die Anwendung häufiger verwenden.
Jetzt möchten Sie diese Engine für all diese Fotos verwenden, die durch die Auflösung des Geräts oder durch den reduzierten internen Speicher eines Geräts begrenzt sind. Google möchte nicht die Gelegenheit verpassen, dass Fotos mit höherer Auflösung zunehmend benötigt werden, da Bildschirme wie Smart-TVs oder Phablets dies erfordern. Deshalb hat es führte die Technik namens RAISR ein.
"RAISR: Schnelles und genaues hochauflösendes Bild"
Es ist eine Technik, die maschinelles Lernen beinhaltet, um Erstellen Sie qualitativ hochwertige Versionen von Bildern mit niedriger Auflösung. RAISR liefert Ergebnisse, die mit den verfügbaren Super-Resolution-Methoden vergleichbar oder besser sind, und verbessert sogar die Leistungszeit um das 10- bis 100-fache. Diese Geschwindigkeit ermöglicht es ihnen, in Echtzeit auf einem Gerät verfügbar zu sein. Selbst später können Sie mit dieser Technik vermeiden, dass gezackte oder Aliasing-Artefakte, die in Bildern mit niedriger Auflösung vorhanden sind, neu erstellt werden.
Seit einigen Jahren gibt es eine Technik namens UpsamplingDies erzeugt ein größeres Bild mit einer höheren Pixelanzahl und ein Bild mit höherer Qualität aus einem Bild mit niedriger Auflösung. Eine Technik, die lineare Methoden verwendet, die die Werte eines neuen Pixels ausfüllen, indem Kombinationen der Werte verwendet werden, die es umgeben. Diese Methode ist schnell, da es sich um lineare Filter handelt. Was sie schnell macht, macht sie weniger effektiv bei der Darstellung lebendiger Details in Ergebnissen mit höherer Auflösung. Das Bild unten zeigt es perfekt.
Wie RAISR funktioniert
RAISR verwendet die maschinelles Lernen mit ein paar Bildern, einer von geringer Qualität und einer von hoher Qualität, um Filter zu finden, die, wenn sie selektiv auf jedes Pixel des Bildes mit niedrigerer Auflösung angewendet werden, Details wiederherstellen, die mit der Qualität des Originals vergleichbar sind. RAISR kann "auf zwei Arten trainiert werden". Die erste ist eine direkte Methode, bei der die Filter direkt aus dem Paar von Bildern mit niedriger und hoher Auflösung gelernt werden. Das andere Verfahren übergibt einen Filter ähnlich dem "Upsampler" -Verfahren an das Bild mit niedriger Auflösung und "lernt" dann die Filter des gegebenen Durchgangs und des Bildes mit hoher Auflösung.
Unabhängig von der Methode filtert RAISR sie sind "trainiert" in Übereinstimmung mit den Eigenschaften der "Peaks", die in kleinen Flecken von Bildern zu finden sind, wie Farb- / Helligkeitsgradienten, strukturierten oder flachen Bereichen und mehr, die durch Richtung, Leistung und Kohärenz gekennzeichnet sind.
Kurz gesagt, in Echtzeit wählt RAISR die relevantesten Filter aus der Liste der Filter aus, die von jedem benachbarten Pixel im Bild mit niedriger Auflösung gelernt wurden, und wendet sie an. Wenn diese Filter auf das Bild mit schlechterer Qualität angewendet werden, stellt Details wieder her, deren Qualität mit dem Original vergleichbar ist hohe Auflösung. Dadurch werden gezackte Artefakte wie Moiré-Muster und mehr beseitigt.
Heute hat der Einsatz von maschinellem Lernen über Jahrzehnte der Fortschritte in der Bildgebungstechnologie Fortschritte in der Bildverarbeitung ermöglicht, die in einer Vielzahl potenzieller Vorteile liegen. Eines der von Google angeführten Beispiele wäre die Verbesserung der Geste "Pinch to Zoom" oder "Pinch" auf dem Telefon, um zu erreichen, dass es erfasst, gespeichert oder gespeichert werden kann Bilder in einer niedrigeren Auflösung übertragen so dass es endlich in seiner richtigen und qualitativ hochwertigen Auflösung an seinem Ziel ankam. Dies würde eine große Einsparung bei den Daten bedeuten, die bei der Übertragung und in den Speicherplänen verwendet werden.