기계 학습은 또 다른 추세 Google Play 뮤직에서 음악 재생 목록을들을 때 더 나은 추천을 얻기 위해이 기능을 활용할 수 있다고 가정합니다. 어제 우리는 빅 G의 플레이에 대해 새로운 업데이트와 응용 프로그램을 더 많이 사용함에 따라 귀하에 대해 더 많이 알게 될 기계 학습을 통해.
이제 장치의 해상도 또는 장치의 내부 메모리 감소에 의해 제한되는 모든 사진에 해당 엔진을 사용하려고합니다. 구글은 스마트 TV 나 패 블릿과 같은 화면이 요구하기 때문에 고해상도 사진이 점점 더 많이 필요하다는 기회를 놓치고 싶지 않습니다. 그래서 RAISR이라는 기술 도입.
"RAISR : 빠르고 정확한 초 고해상도 이미지"
기계 학습을 통합 한 기술입니다. 저해상도 이미지의 고품질 버전 생성. RAISR은 사용 가능한 초 고해상도 방법과 비슷하거나 더 나은 결과를 생성하며 성능 시간을 10 ~ 100 배까지 향상시킵니다. 프로세스의 이러한 속도 덕분에 장치에서 실시간으로 사용할 수 있습니다. 나중에이 기술은 저해상도 이미지에 존재하는 들쭉날쭉하거나 앨리어싱 인공물이 재현되는 것을 방지합니다.
몇 년 동안 업 샘플링이라는 기술, 낮은 해상도에서 더 높은 픽셀 수와 더 높은 이미지 품질로 더 큰 이미지를 생성합니다. 새 픽셀을 둘러싼 값의 조합을 사용하여 새 픽셀의 값을 채우는 선형 방법을 사용하는 기술입니다. 이 방법은 선형 필터이기 때문에 빠릅니다. 빠르게 만드는 것은 고해상도 결과에서 생생한 디테일을 표현하는 데 덜 효과적입니다. 아래 이미지는 완벽하게 보여줍니다.
RAISR의 작동 원리
RAISR은 몇 개의 이미지로 머신 러닝, 저해상도 이미지의 각 픽셀에 선택적으로 적용하면 원본의 품질에 필적하는 세부 사항을 재현하는 필터를 찾습니다. RAISR은 "두 가지 방법으로 훈련"할 수 있습니다. 첫 번째는 저해상도 및 고해상도 이미지 쌍에서 필터를 직접 학습하는 직접적인 방법입니다. 다른 방법은 "upsampler"방법과 유사한 필터를 저해상도 이미지에 전달한 다음 지정된 패스 및 고해상도 이미지의 필터를 "학습"합니다.
어떤 방법이든 RAISR 필터 그들은 "훈련 된" 방향, 힘 및 일관성을 특징으로하는 색상 / 밝기 그라데이션, 질감 또는 평평한 영역 등과 같은 작은 이미지 패치에서 발견되는 "첨두"의 특성에 따라.
즉, 실시간으로 RAISR은 저해상도 이미지의 각 인접 픽셀에서 학습 한 필터 목록에서 가장 관련성이 높은 필터를 선택하고 적용합니다. 이러한 필터를 최악의 화질 이미지에 적용하면 원본과 품질이 비슷한 디테일을 재현합니다. 높은 해상도. 이것은 물결 무늬 패턴 등과 같은 들쭉날쭉 한 인공물을 제거하는 것입니다.
오늘날까지 이미징 기술의 수십 년 동안 발전한 머신 러닝의 사용은 다양한 잠재적 이점에있는 이미지 처리의 발전을 가능하게했습니다. Google에서 제공하는 예 중 하나는 휴대 전화에서«핀치하여 확대 / 축소»또는«핀치»제스처를 개선하여 캡처, 저장 또는 낮은 해상도로 이미지 전송 마침내 적절한 고품질 해상도로 목적지에 도달했습니다. 이는 전송 및 저장 계획에 사용되는 데이터를 크게 절약 할 수 있음을 의미합니다.