认识达内从这里开始

在本文中，我们将讨论超分辨率的定义，这是一种使用深度神经网络来提高图像和视频分辨率的人工智能技术。

超分辨率是如何工作的→ Jump to next section: ‘How super resolution works’→

简单地说，超分辨率使图形效果更好。超分辨率神经网络能够获取低分辨率图像(或低分辨率视频帧)，并输出看起来不错的高分辨率数据。比双线性或双三次插值更好。对肉眼更好。

这看起来几乎像是魔术，而且有很好的理由：不知何故，这些网络能够接受颗粒化、像素化的输入，并将它们转换成高分辨率、好看的图像。

所有这些都可以在不显式使用任何传统的计算机图形技术(如反走样、平滑和插值)的情况下实现。我们用超分辨率看到的是基于深度学习的计算机视觉(CV)的魔力。神经网络能够通过使用先验知识和从示例中学习的模式来推断像素化图像描述的是什么。

超分辨率的工作原理

跳到下一节：“用于超分辨率的CNN：上采样技术”→ Jump to next section: ‘CNNs for super resolution: upsampling techniques’ →

AI超分辨率通常利用针对CV进行优化的深层神经网络。卷积神经网络(CNN)几十年来一直是CV的中流砥柱，通常用于图像分类等事情，早期的一个例子是Yann LeCun如何使用CNN学习如何对手写数字进行分类，从而允许支票自动兑现。 how to classify handwritten digits

背景：用于分类的CNN

分类CNN通常具有如下结构：

通常，图像被送入网络并与多个滤波器卷积，滤波后的图像被组合以构成“多通道卷积”层的输出。层输出通常与输入大小相同。

随后的卷积层输出通常通过诸如最大合用的操作来减小大小。一旦将数据汇集到合理的大小(有时小到单个像素)，就可以将其送入密集或完全连接的层中进行分类。

背景：用于其他系统的CNN

更现代的CNN应用包括自动驾驶、机器人手术和医疗筛查(这些应用超越了图像分类，进入了系统控制和语义分割)。像Faceswap这样的应用程序是当代简历的一个很好的例子，CNN的输入和输出都是图像。这样的系统能够处理一对图像，非侵入性地将一个人的脸移植到另一个人的头上。

一个faceswap风格的CNN可能会有这样的结构：

或者像这样：

用于超分辨率的CNNs

跳到下一节：“超分辨率的PyTorch实现”→ Jump to next section: ‘PyTorch implementation of super resolution’ →

以类似的方式，超分辨率网络获取一幅图像并输出另一幅图像。与上述架构的唯一区别是输入图像和输出图像的大小不同。相反，输出的分辨率应该更高，同时仍能忠实地描绘原始场景。

如果我们希望CNN的输出具有比输入更高的分辨率，那么我们需要某种形式的非标准CNN层，这与分类CNN中的典型卷积⇨池挡路相反。这称为上采样层。

南宁达内IT培训免费试听课程火热报名中，带你轻松入行，26大课程全国45个城市，129家中心均可就近学习，学完后，达内老师会帮助进行面试辅导，在面试前，就带你跨过可能存在的坑，让你入职更加顺利

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!更多内容请添加3216764521学习了解。欢迎关注“达内在线”参与分销，赚更多好礼。