Machine learning is een andere trend waarin we ons momenteel bevinden en veronderstelt dat we hiervan kunnen profiteren om betere aanbevelingen te krijgen bij het luisteren naar die muziekafspeellijsten op Google Play Muziek. Gisteren hadden we commentaar op het spel van de grote G Met de nieuwe update en die machine learning die meer over u te weten zal komen naarmate u de applicatie meer gebruikt.
Nu wil je die motor gebruiken voor al die foto's die worden beperkt door de resolutie van het apparaat of door het verminderde interne geheugen van een apparaat. Google wil de kans niet missen dat er steeds meer foto's met een hogere resolutie nodig zijn, omdat schermen, zoals smart tv's of phablets, daar om vragen. Dat is waarom het heeft introduceerde de techniek genaamd RAISR.
"RAISR: snelle en nauwkeurige superresolutie-afbeelding"
Het is een techniek die machinaal leren omvat om dit te doen produceren hoogwaardige versies van afbeeldingen met een lage resolutie RAISR produceert resultaten die vergelijkbaar zijn met of beter zijn dan de beschikbare superresolutiemethoden, en verbetert zelfs de prestatietijd met 10 tot 100 keer. Door deze snelheid in het proces zijn ze in realtime beschikbaar op een apparaat. Zelfs later voorkomt deze techniek het opnieuw maken van gekartelde of aliasing-artefacten die voorkomen in afbeeldingen met een lage resolutie.
Sinds een paar jaar is er een techniek genaamd upsampling, wat een groter beeld oplevert met een hoger aantal pixels en een hogere beeldkwaliteit bij een lage resolutie. Een techniek die lineaire methoden gebruikt die de waarden van een nieuwe pixel invullen door combinaties van de waarden eromheen te gebruiken. Deze methode is snel omdat het lineaire filters zijn. Hoewel wat ze snel maakt, ze minder effectief maakt in het presenteren van levendige details in resultaten met een hogere resolutie. De afbeelding hieronder laat het perfect zien.
Hoe RAISR werkt
RAISR gebruikt de machine learning met een paar afbeeldingen, een van lage kwaliteit en een van hoge kwaliteit, om filters te vinden die, wanneer ze selectief worden toegepast op elke pixel van de afbeelding met lagere resolutie, details reproduceren die vergelijkbaar zijn met de kwaliteit van het origineel. RAISR kan "op twee manieren worden getraind". De eerste is een directe methode, waarbij de filters rechtstreeks worden geleerd uit het paar afbeeldingen met lage en hoge resolutie. De andere methode geeft een filter gelijk aan de "upsampler" -methode door aan de afbeelding met lage resolutie en "leert" vervolgens de filters van de gegeven doorlaat en de afbeelding met hoge resolutie.
Wat de methode ook is, RAISR-filters ze zijn "getraind" volgens de kenmerken van de "pieken" gevonden in kleine stukjes afbeeldingen, zoals kleur- / helderheidsgradiënten, gestructureerde of vlakke gebieden en meer, die worden gekenmerkt door richting, kracht en samenhang.
Kortom, in realtime selecteert en past RAISR de meest relevante filters toe uit de lijst van de filters die zijn geleerd van elke aangrenzende pixel in de afbeelding met lage resolutie. Wanneer die filters worden toegepast op de afbeelding van de slechtste kwaliteit, herschept details die qua kwaliteit vergelijkbaar zijn met het origineel hoge resolutie. Dit is wat het doet, is het elimineren van gekartelde artefacten zoals Moiré-patronen en meer.
Tegenwoordig heeft het gebruik van machine learning, gedurende decennia van vooruitgang in beeldtechnologie, vooruitgang in beeldverwerking mogelijk gemaakt die in een breed scala aan potentiële voordelen schuilt. Een van de voorbeelden die Google geeft, is het verbeteren van het gebaar 'knijpen om te zoomen' of 'knijpen' op de telefoon, waardoor het kan worden vastgelegd, opgeslagen of verzend afbeeldingen in een lagere resolutie zodat het uiteindelijk zijn bestemming bereikte in de juiste resolutie van hoge kwaliteit. Dit zou een grote besparing betekenen in de gegevens die worden gebruikt bij de overdracht en in de opslagplannen.