Maskinlæring er en annen trend der vi er for øyeblikket og antar at vi kan dra nytte av det for å få bedre anbefalinger når vi lytter til de musikkspillelistene på Google Play Musikk. I går kommenterte vi stykket til den store G Med den nye oppdateringen og den maskinlæringen som vil lære mer om deg når du bruker applikasjonen mer.
Nå vil du bruke den motoren til alle fotografiene som er begrenset av oppløsningen til enheten eller av det reduserte interne minnet til en enhet. Google ønsker ikke å gå glipp av muligheten som er at fotografier med høyere oppløsning er i økende grad nødvendig, fordi skjermer, som for eksempel smart-TV eller phablets, krever dem. Derfor har det introduserte teknikken kalt RAISR.
"RAISR: Raskt og nøyaktig bilde med superoppløsning"
Det er en teknikk som inkluderer maskinlæring for å kunne produsere høykvalitetsversjoner av bilder med lav oppløsning. RAISR gir resultater som er sammenlignbare med eller bedre enn tilgjengelige superoppløsningsmetoder, og forbedrer til og med ytelsestiden med 10 til 100 ganger. Denne hastigheten i prosessen gjør at de kan være tilgjengelige på en enhet i sanntid. Enda senere vil denne teknikken tillate deg å unngå å gjenskape taggede eller aliasing artefakter som finnes i bilder med lav oppløsning.
I noen år har det vært en teknikk som kalles oppsampling, som produserer et større bilde med et høyere antall piksler og et bilde av høyere kvalitet fra et med lav oppløsning. En teknikk som bruker lineære metoder som fyller ut verdiene til en ny piksel ved å bruke kombinasjoner av verdiene som omgir den. Denne metoden er rask fordi de er lineære filtre. Selv om det som gjør dem raske, gjør dem mindre effektive til å presentere levende detaljer i høyere oppløsningsresultater. Bildet nedenfor viser det perfekt.
Hvordan RAISR fungerer
RAISR bruker maskinlæring med et par bilder, en av lav kvalitet og en av høy kvalitet, for å finne filtre som, når de selektivt brukes på hver piksel i bildet med lavere oppløsning, vil gjenskape detaljer som kan sammenlignes med originalens kvalitet. RAISR kan "trenes på to måter." Den første er en direkte metode, der filtrene læres direkte fra paret bilder med lav og høy oppløsning. Den andre metoden sender et filter som ligner på "upsampler" -metoden til bildet med lav oppløsning og deretter "lærer" seg filtrene til det gitte passet og høyoppløsningsbildet.
Uansett metode, filtrerer RAISR de er "trente" i samsvar med egenskapene til "toppene" som finnes i små bilder av bilder, slik som farge / lysstyrkegradienter, strukturerte eller flate områder og mer, som er preget av retning, kraft og sammenheng.
Kort sagt, i sanntid velger og bruker RAISR de mest relevante filtrene fra listen over de som læres fra hver nabopiksel i bildet med lav oppløsning. Når disse filtrene blir brukt på bildet av dårligere kvalitet, gjenskaper detaljer som er sammenlignbare i kvalitet med originalen høy oppløsning. Dette er hva den gjør for å eliminere hakkete gjenstander som Moire-mønstre og mer.
Den dag i dag har bruken av maskinlæring i flere tiår med fremskritt innen bildebehandling muliggjort fremgang innen bildebehandling som ligger i en lang rekke potensielle fordeler. Et av eksemplene fra Google ville være å forbedre gesten til «klype for å zoome» eller «klype» på telefonen, noe som ville oppnå at den kunne fanges, lagres eller overføre bilder i lavere oppløsning slik at den endelig ankom destinasjonen i riktig og høy kvalitet oppløsning. Dette vil bety en stor besparelse i dataene som brukes i overføringen og i lagringsplanene.