Машинне навчання є ще одна тенденція в якому ми перебуваємо на даний момент, і передбачає, що ми можемо скористатися цим, щоб отримати кращі рекомендації при прослуховуванні цих музичних списків відтворення в Google Play Music. Вчора ми коментували гру великого G З новим оновленням та машинним навчанням ви зможете дізнатись більше про вас, коли ви більше будете користуватися додатком.
Тепер ви хочете використовувати цей двигун для того, які всі ті фотографії обмежені роздільною здатністю пристрою або зменшеною внутрішньою пам’яттю пристрою. Google не хоче втратити можливість, яка полягає в тому, що все більше потрібні фотографії з більш високою роздільною здатністю, оскільки їх вимагають екрани, такі як смарт-телевізори чи фаблети. Ось чому він має представив техніку, яка називається RAISR.
"RAISR: швидке та точне зображення з надвисокою роздільною здатністю"
Це техніка, яка включає машинне навчання створювати високоякісні версії зображень із низькою роздільною здатністю. RAISR дає результати, які порівнянні або кращі за доступні способи супер-роздільної здатності, і навіть збільшує час роботи в 10-100 разів. Ця швидкість у процесі дозволяє їм бути доступними на пристрої в режимі реального часу. Навіть пізніше ця техніка запобіжить відтворення нерівних або згладжених артефактів, які існують на зображеннях із низькою роздільною здатністю.
Протягом кількох років існує техніка, що називається підвищеною вибіркою, який створює зображення більшого розміру з більшою кількістю пікселів та зображення більш високої якості із зображення низької роздільної здатності. Техніка, яка використовує лінійні методи, які заповнюють значення нового пікселя, використовуючи комбінації значень, які його оточують. Цей метод є швидким, оскільки це лінійні фільтри. Хоча те, що робить їх швидкими, робить їх менш ефективними у поданні яскравих деталей у результатах з більш високою роздільною здатністю. На зображенні нижче це чудово показано.
Як працює RAISR
RAISR використовує машинне навчання з парою зображень, один низької якості та один високої якості, щоб знайти фільтри, які при вибірковому застосуванні до кожного пікселя зображення з нижчою роздільною здатністю відтворюватимуть деталі, які можна порівняти з якістю оригіналу. RAISR можна "навчити двома способами". Перший - це прямий метод, коли фільтри вивчаються безпосередньо з пари зображень із низькою та високою роздільною здатністю. Інший метод передає фільтр, подібний до методу "вибірок", до зображення з низькою роздільною здатністю, а потім "засвоює" фільтри даного проходу та зображення з високою роздільною здатністю.
Незалежно від методу, RAISR фільтрує вони "навчені" відповідно до характеристик "піків", знайдених на невеликих ділянках зображень, таких як градієнти кольору / яскравості, текстуровані або рівні ділянки та ін., які характеризуються напрямком, потужністю та когерентністю.
Коротше кажучи, у режимі реального часу RAISR вибирає та застосовує найбільш відповідні фільтри зі списку тих, що вивчені з кожного сусіднього пікселя на зображенні з низькою роздільною здатністю. Коли ці фільтри застосовуються до зображення найгіршої якості, відтворює деталі, які за якістю можна порівняти з оригіналом висока роздільна здатність. Це те, що він робить, усуваючи нерівні артефакти, такі як візерунки Муару та багато іншого.
Сьогодні використання машинного навчання за десятки років розвитку технологій обробки зображень дозволило досягти прогресу в обробці зображень, що полягає в широкому спектрі потенційних переваг. Одним із прикладів, наведених Google, є покращення жесту «стискання для збільшення» або «стискання» на телефоні, завдяки чому його можна було б захопити, зберегти або передавати зображення з нижчою роздільною здатністю так що нарешті воно дійшло до місця призначення у належному високоякісному дозволі. Це означало б велику економію даних, що використовуються при передачі, і в планах зберігання.