每天都有数以百万计的图片在互联网上被分享、存储，用户借此探索世界，研究感兴趣的话题，或者与朋友家人分享假期照片。问题是，大量的图片要么被照相设备的像素所限制，要么在手机、平板或网络限制下被人为压缩，降低了画质。

如今高清显示屏正在家庭和移动设备上普及，因此，把低分辨率图片转化为高清版本，并可在多种设备上查看和分享，正在成为一项巨大的需求。日前，谷歌推出了一项新技术RAISR，其全称是“Rapid and Accurate Image Super-Resolution”，意为“快速、精确的超分辨率技术”。

RAISR这项技术能利用机器学习，把低分辨率图片转为高分辨率图片。它的效果能达到甚至超过现在的超分辨率解决方案，同时速度提升大约十至一百倍，且能够在普通的移动设备上运行。而且，谷歌的技术可以避免产生混叠效应（aliasing artifacts）。

此前已经具有通过升采样方式，把低分辨率图片重建为尺寸更大、像素更多、更高画质图片的技术。最广为人知的升采样方式是线性方法，即通过把已知的像素值进行简单、固定的组合，以添加新的像素值。因为使用固定的线性过滤器（一个恒定卷积核对整个图片的无差别处理），该方法速度很快。但是它对于重建高清作品里生动的细节有些力不从心。正如下面这张图片，升采样的图片看起来很模糊，很难称得上画质提升。

左：原始图片，右：升采样处理后图片

对于RAISR，谷歌别辟蹊径得采用机器学习，用一对低分辨率、高分辨率图片训练该程序，以找出能选择性应用于低分辨图片中每个像素的过滤器，这样能生成媲美原始图片的细节。目前有两种训练RAISR的方法：

第一种是“直接”方式，过滤器在成对高、低分辨率图片中直接学习。

第二种方法需要先对低分辨率图片应用低功耗的的升采样，然后在升采样图片和高分辨率图片的组合中学习过滤器。

“直接”方式处理起来更快，但第二种方法照顾到了非整数范围的因素，并且更好地利用硬件性能。

无论是哪种方式，RAISR 的过滤器都是根据图像的边缘特征训练的：亮度和色彩梯度，平实和纹理区域等等。这又受到方向（direction，边缘角度），强度（strength，更锐利的边缘强度更高）和黏性（coherence，一项量化边缘方向性的指标）的影响。以下是一组RAISR过滤器，从一万对高、低分辨率图片中学习得到（低分辨率图片经过升采样）。该训练过程耗费约一小时。



注：3倍超分辨率学习，获得的11x11过滤器集合。过滤器可以从多种超分辨率因素中学习获得，包括部分超分辨率。注意当图中边缘角度变化时，过滤器角度也跟着旋转。相似的，当强度提高时，过滤器的锐利度也跟着提高；黏性提高时，过滤器的非均相性（anisotropy）也提高。

从左至右，学习得到的过滤器与处理后的边缘方向有选择性的呼应。举例来说，最底一行中间的过滤器最适合强水平边缘（90度梯度角），并具有高粘性（直线的而非弯曲的边缘）。如果这个水平边缘是低对比度的，那么如同图中最上一行，另一个过滤器就被选择。

实际使用中，RAISR会在已经学习到的过滤器列表中选择最合适的过滤器，应用于低分辨率图片的每一个像素周围。当这些过滤器被应用于更低画质的图像时，它们会重建出相当于原始分辨率的细节，这大幅优于线性、双三（bicubic）、兰索斯（Lancos）解析方式。



上：RAISR算法运行示例下：原始图像（左），2倍双三解析（中），RAISR效果（右）

一些运用RAISR进行图片增强的示例：

上：原始图片下：RAISR 2倍超分辨率效果

左：原始图片右：RAISR 3倍超分辨率效果

超分辨率技术更复杂的地方在于如何避免混叠效应，例如龟纹（Moire patterns）和高频率内容在低分辨率下渲染产生的锯齿（对图像人为降级的情形）。这些混叠效应的产物会因对应部分的形状不同而变化，并且很难消除。

左：正常图像右：右下角有龟纹（混叠效应）的图像

线性方法很难恢复图像结构，但是RAISR可以。下面是一个例子，左边是低分辨率的原始图片，左3和左5有很明显的空间频率混淆（aliased spatial frequencies），而右侧的RAISR图像恢复了其原始结构。RAISR的过滤器学习方法还有一项重要的优点：用户可以把消除噪音以及各类压缩算法的产物作为训练的一部分。当RAISR被提供相应的范例后，它可以在图片锐化之外学会消除这些效果，并把这些功能加入过滤器。

左：有