》》》源碼&論文pdf位於文末》》》
Source: Wang et al. CVPRW 2018
相信大家都有過這樣的困擾：
找到了心儀的朋友圈/PPT配圖，但分辨率卻很低。
一團團糊糊的馬賽克看得好不舒服，最後只能忍痛放棄
低分辨率圖像
其實筆者也不例外，在為文章尋找配圖時，也常常不得不放棄一些低清晰度的圖片
於是我們很自然的會遐想，有沒有一種技術，能夠讓圖像的分辨率提升呢？
左圖：修復前 右圖：修復後
其實，這樣的想像是不無道理的
畢竟，雖然原圖分辨率較低，但是人腦依舊能知道圖中的主要信息是什麼
並能在腦海中想像出它清晰的樣子。
左圖：修復後 右圖：修復前
到這裡，有經驗的讀者應該能夠聯想到：
“我們何不用深度學習技術結合生成式對抗網絡(GAN)來自動修復低分辨率的圖像呢？”
其實，這就是 Wang 等人在這篇論文中實現分辨率修復的基本思路！
利用他們的技術，
輸入的圖片可以在 1s 內提升8倍的分辨率：
如圖，效果是驚人的！
分辨率修復實現源碼位於附件中
那麼，他們具體是怎麼做的？成果到底如何？
就讓筆者在今天的文章中為大家一一揭曉：
原理
Wang等人主要利用了生成式對抗網絡(GAN)和課程學習(Curriculum Learning)來實現分辨率修復技術。
在這個系列中，筆者已經多次提到生成式對抗網絡(GAN), 相信各位讀者對它也是十分親切了。
所以我們先來介紹一下什麼是課程學習(Curriculum Learning)：
“課程學習”方法
- 課程學習(Curriculum Learning)是 2009 年被提出的，主要思想是模仿人類學習的特點，由簡單到困難來學習樣本。
- 簡單來說，這樣可以讓模型更容易收斂。
下圖是模型的一個截圖：
注意到模型有2x 4x 8x三次輸出
如圖，在這篇論文中，Wang 等人通過讓圖像先修復到2倍分辨率，再修復到4倍分辨率
以此類推 ，來實現課程學習的效果
目的是降低生成式對抗網絡(GAN)的訓練難度。
論文的最後，研究團隊給出了多組對比：
如圖，最右側是原輸入，可以看出修復效果是非常優秀的！
而下方的對比則更為驚人：
（從左到右分別是原圖，其他人的成果，Wang等人的最新成果）
分辨率修復實現源碼位於附件中
（想要自行嘗試這項技術的讀者可以在下方自行領取程序源碼）
↓↓↓附件領取請看這裡↓↓↓
即可輕鬆領取本篇論文pdf文件及相關程序源碼
相關乾貨：
- 藉助WiFi信號，AI竟擁有了透視的能力！詳見
- 夜間照相再也不需要高端相機？詳見
- 想要用Python輕鬆可視化任何函數嗎？詳見
- 想要深入瞭解機器學習領域中5大最本質、最關鍵的算法嗎？詳見
機器學習乾貨君致力於原創易於理解的技術原理與細節文章
I Study Hard,
So YOU Don't Have To !
歡迎大家關注: )
閱讀更多 機器學習乾貨君 的文章
