机器学习是 另一趋势 目前我们正处于这种状态，并假设在Google Play音乐上收听这些音乐播放列表时，可以利用它来获得更好的建议。 昨天我们在评论大G的比赛 通过新的更新以及随着您更多地使用该应用程序而获得的有关机器学习的更多信息。
现在，您想使用该引擎处理受设备分辨率或设备内部内存减少所限制的所有照片。 Google不想错过这样的机会，即越来越需要更高分辨率的照片，因为诸如智能电视或平板手机之类的屏幕需要它们。 这就是为什么它有 介绍了称为RAISR的技术.
“ RAISR：快速准确的超分辨率图像”
它是一种结合了机器学习的技术， 产生低分辨率图像的高质量版本。 RAISR产生的结果可与可用的超分辨率方法相媲美或更好，甚至可以将性能时间提高10到100倍。 此过程的快速性使它们可以实时在设备上使用。 甚至在以后，该技术也将防止重新生成低分辨率图像中存在的锯齿状或锯齿状伪影。
几年来 称为上采样的技术，从较低的分辨率中产生较大的图像，其中像素数量更多，图像质量更高。 一种使用线性方法的技术，该方法通过使用包围新像素值的组合来填充新像素的值。 该方法是快速的，因为它们是线性滤波器。 尽管使它们快速运行的原因确实使它们在以高分辨率结果呈现生动细节方面效果不佳。 下图完美显示了它。
RAISR如何运作
RAISR使用 机器学习与几个图像，低质量之一和高质量之一，以找到滤镜，这些滤镜在选择性地应用于较低分辨率图像的每个像素时，将重新创建与原始图像质量相当的细节。 RAISR可以“通过两种方式进行培训”。 第一种是直接方法，其中直接从一对低分辨率和高分辨率图像中学习滤波器。 另一种方法将类似于“上采样器”方法的滤镜传递给低分辨率图像，然后“学习”给定通过和高分辨率图像的滤镜。
无论采用哪种方法，RAISR过滤器 他们是“受过训练的” 根据在小块图像中发现的“峰值”的特征，例如颜色/亮度梯度，纹理或平坦区域等，这些特征以方向，功率和相干性为特征。
简而言之，RAISR实时从低分辨率图像中从每个相邻像素获知的那些过滤器列表中选择并应用最相关的过滤器。 当这些滤镜应用于质量最差的图像时， 重新创建质量与原始图像相当的细节 高分辨率。 这就是消除像莫尔条纹之类的锯齿状工件的方法。
时至今日，在影像技术数十年的发展中，机器学习的使用已使影像处理取得了进步，这具有多种潜在的好处。 Google给出的示例之一将是改善“捏缩缩放”或“捏缩”在手机上的手势，以实现可捕获，保存或 以较低的分辨率传输图像 使它最终以适当的高质量分辨率到达目的地。 这将意味着大量节省传输和存储计划中使用的数据。