Машинско учење је још један тренд у којем се тренутно налазимо и претпоставља да то можемо искористити за добијање бољих препорука приликом преслушавања тих музичких плејлиста на Гоогле Плаи музици. Јуче смо коментарисали представу великог Г-а Са новом исправком и оним машинским учењем које ће сазнати више о вама док више будете користили апликацију.
Сада желите да користите тај механизам за све фотографије које су ограничене резолуцијом уређаја или смањеном унутрашњом меморијом уређаја. Гоогле не жели да пропусти прилику да су фотографије веће резолуције све потребне, јер их захтевају екрани, попут паметних телевизора или пхаблета. Зато је увео технику названу РАИСР.
„РАИСР: брза и тачна слика супер резолуције“
То је техника која укључује машинско учење како би се производе висококвалитетне верзије слика ниске резолуције. РАИСР даје резултате који су упоредиви или бољи од доступних метода супер резолуције, па чак и побољшава време перформанси за 10 до 100 пута. Ова брзина у процесу омогућава им да буду доступни на уређају у реалном времену. Чак и касније, ова техника ће спречити рекреацију назубљених или утабаних артефаката који постоје на сликама ниске резолуције.
Неколико година постоји техника која се назива упсамплинг, која даје већу слику са већим бројем пиксела и квалитетнију слику из слике ниске резолуције. Техника која користи линеарне методе које попуњавају вредности новог пиксела коришћењем комбинација вредности које га окружују. Ова метода је брза јер су линеарни филтри. Иако их чини брзим, мање су ефикасни у приказивању живописних детаља у резултатима веће резолуције. Слика испод то савршено показује.
Како РАИСР ради
РАИСР користи машинско учење са неколико слика, један ниског квалитета и један висококвалитетног, како би се пронашли филтри који ће, селективно примењивани на сваки пиксел слике ниже резолуције, створити детаље који су упоредиви са квалитетом оригинала. РАИСР се може „обучити на два начина“. Прва је директна метода, при којој се филтри уче директно из пара слика ниске и високе резолуције. Други метод прослеђује филтер сличан методи „упсамплер“ на слику ниске резолуције, а затим „учи“ филтере датог пролаза и слике високе резолуције.
Без обзира на метод, РАИСР филтрира они су "обучени" према карактеристикама „врхова“ који се налазе на малим закрпама слика, као што су градијенти боје / осветљености, текстурни или равни предели и још много тога, које карактеришу смер, снага и кохерентност.
Укратко, РАИСР у реалном времену бира и примењује најрелевантније филтере са листе научених из сваког суседног пиксела на слици ниске резолуције. Када се ти филтри примене на слику лошијег квалитета, рекреира детаље који су по квалитету упоредиви са оригиналом високе резолуције. То је оно што ради на уклањању назубљених артефаката попут Моире образаца и више.
Данас је употреба машинског учења, током деценија напретка технологије за обраду слика, омогућила напредак у обради слика који лежи у широком спектру потенцијалних користи. Један од примера које је Гоогле дао био би побољшање геста „стисни за зумирање“ или „стисни“ на телефону, чиме би се постигло да може бити снимљен, сачуван или преносите слике у нижој резолуцији тако да је коначно стигло на одредиште у одговарајућој, висококвалитетној резолуцији. То би значило велику уштеду података који се користе за пренос и планове складиштења.