機器學習是 另一趨勢 目前我們正處於這種狀態，並假設在Google Play音樂上收聽這些音樂播放列表時，可以利用它來獲得更好的建議。 昨天我們在評論大G的比賽 通過新的更新以及隨著您更多地使用該應用程序而獲得的有關機器學習的更多信息。
現在，您想使用該引擎處理受設備分辨率或設備內部內存減少所限制的所有照片。 Google不想錯過越來越需要高分辨率照片的機會，因為諸如智能電視或平板手機之類的屏幕需要它們。 這就是為什麼它有 介紹了稱為RAISR的技術.
“ RAISR：快速準確的超分辨率圖像”
它是一種結合了機器學習的技術， 產生低分辨率圖像的高質量版本。 RAISR產生的結果可媲美或優於可用的超分辨率方法，甚至可將執行時間縮短10到100倍。 此過程的快速性使它們可以實時在設備上使用。 甚至在以後，此技術也將防止重新生成低分辨率圖像中存在的鋸齒狀或鋸齒狀偽像。
幾年來 稱為上採樣的技術，從較低的分辨率中產生較大的圖像，其中像素數量更多，圖像質量更高。 一種使用線性方法的技術，該方法通過使用包圍新像素值的組合來填充新像素的值。 該方法是快速的，因為它們是線性濾波器。 儘管使它們快速運行的原因確實使它們在以高分辨率結果呈現生動細節方面效果不佳。 下圖完美顯示了它。
RAISR如何運作
RAISR使用 機器學習與幾個圖像，低質量之一和高質量之一，以找到濾鏡，這些濾鏡在選擇性地應用於較低分辨率圖像的每個像素時，將重新創建與原始圖像質量相當的細節。 RAISR可以“通過兩種方式進行培訓”。 第一種是直接方法，其中直接從一對低分辨率和高分辨率圖像中學習濾波器。 另一種方法將類似於“上採樣器”方法的濾鏡傳遞給低分辨率圖像，然後“學習”給定通過和高分辨率圖像的濾鏡。
無論採用哪種方法，RAISR過濾器 他們是“受過訓練的” 根據在小塊圖像中發現的“峰值”的特徵，例如顏色/亮度梯度，紋理或平坦區域等，這些特徵以方向，功率和相干性為特徵。
簡而言之，RAISR實時從低分辨率圖像中從每個相鄰像素獲知的那些過濾器列表中選擇並應用最相關的過濾器。 當這些濾鏡應用於質量最差的圖像時， 重新創建質量與原始圖像相當的細節 高分辨率。 這就是消除像莫爾條紋之類的鋸齒狀工件的方法。
時至今日，隨著影像技術數十年來的發展，機器學習的使用已使影像處理取得了進步，這具有多種潛在的好處。 Google給出的示例之一將是改善“捏合縮放”或“捏合”在手機上的手勢，以實現可捕獲，保存或保存該手勢的功能。 以較低的分辨率傳輸圖像 使它最終以適當的高質量分辨率到達目的地。 這將意味著大量節省傳輸和存儲計劃中使用的數據。