A gépi tanulás az egy másik trend amiben jelenleg vagyunk, és feltételezzük, hogy ezt kihasználva jobb ajánlásokat kaphatunk, amikor ezeket a zenelejátszási listákat hallgatjuk a Google Play Zene szolgáltatásban. Tegnap kommentáltuk a nagy G játékát Az új frissítéssel és a gépi tanulással többet megtudhat rólad, amikor többet használod az alkalmazást.
Most azt a motort kívánja használni, hogy melyek azok a fényképek, amelyeket korlátoz az eszköz felbontása vagy a készülék belső memóriája. A Google nem akarja elszalasztani azt a lehetőséget, hogy egyre nagyobb szükség van nagyobb felbontású fényképekre, mert a képernyők, például az intelligens tévék vagy a phabletek megkövetelik őket. Ezért van bevezette a RAISR nevű technikát.
"RAISR: Gyors és pontos szuper felbontású kép"
Ez egy olyan technika, amely beépíti a gépi tanulást annak érdekében alacsony felbontású képek kiváló minőségű változatainak elkészítése. A RAISR összehasonlítható vagy jobb eredményeket produkál, mint a rendelkezésre álló szuper felbontású módszerek, sőt 10–100-szorosára növeli a teljesítményt. A folyamat ezen gyorsasága lehetővé teszi számukra, hogy valós időben elérhetők legyenek egy eszközön. Még később, ez a technika megakadályozza az alacsony felbontású képeken található szaggatott vagy álneves műtárgyak újbóli létrehozását.
Néhány éve van egy technikának nevezik a mintavételt, amely nagyobb felbontású, nagyobb képpontszámmal és jobb képminőséggel rendelkező képet hoz létre kis felbontású képből. Olyan technika, amely lineáris módszereket használ, amelyek az új pixel értékeit kitöltik az azt körülvevő értékek kombinációinak felhasználásával. Ez a módszer gyors, mert lineáris szűrők. Bár ami gyorsá teszi őket, az kevésbé teszi hatékonyabbá az élénk részletek nagyobb felbontású eredményekben történő bemutatását. Az alábbi kép tökéletesen mutatja.
Hogyan működik a RAISR
A RAISR a gépi tanulás pár képpelA gyenge minőségű és a kiváló minőségű szűrők megtalálása, amelyek szelektíven alkalmazva az alacsonyabb felbontású kép minden pixelét, az eredeti minőségéhez hasonló részleteket hoznak létre. A RAISR "kétféle módon képezhető". Az első egy közvetlen módszer, amelyben a szűrőket közvetlenül az alacsony és nagy felbontású képek párjából tanulják meg. A másik módszer az "upsampler" módszerhez hasonló szűrőt ad át az alacsony felbontású képnek, majd "megtanulja" az adott lépés és a nagy felbontású kép szűrőit.
Bármi legyen is a módszer, a RAISR szűr "kiképzettek" a kis képfoltokban előforduló "csúcsok" jellemzőivel összhangban, mint például a szín / fényerő gradiensek, a texturált vagy a sík területek és még sok más, amelyeket irány, erő és koherencia jellemez.
Röviden: a valós időben a RAISR kiválasztja és alkalmazza a legrelevánsabb szűrőket az alacsony szomszédos kép minden szomszédos pixeléből tanultak listájából. Ha ezeket a szűrőket a legrosszabb minőségű képre alkalmazzák, olyan részleteket hoz létre, amelyek minőségileg összehasonlíthatók az eredetivel nagy felbontású. Ez az, ami kiküszöböli a szaggatott műtárgyakat, mint a Moire minták és még sok más.
A gépi tanulás használata a képalkotó technológia több évtizedes fejlődése révén mind a mai napig lehetővé tette a képfeldolgozás terén elért haladást, amely a lehetséges előnyök széles skálájában rejlik. A Google egyik példája az lenne, ha javítaná a telefonon a „csippentés a nagyításhoz” vagy a „csipkedés” gesztust, amellyel el lehetne érni, el lehet menteni, továbbítsa a képeket kisebb felbontásban így végül a megfelelő, jó minőségű felbontásban ért célba. Ez nagy megtakarítást jelentene az átvitel során használt adatokban és a tárolási tervekben.