Pixelmator 为其用户带来人工智能驱动的超分辨率

Pixelmator 最近让照片处理应用程序 Pixelmator Pro 的用户能够使用由人工智能驱动的超分辨率工具。

超分辨率可以增强模糊、低分辨率的照片并提高图像的分辨率。 超分辨率技术能够锐化图像，达到令人印象深刻的效果，常常让人想起犯罪节目中常见的“增强”比喻。 Pixelmator 最近宣布将其“ML 超分辨率”工具纳入其照片编辑软件专业版中。 Pixelmator的演示部分结果可见 此处.

该工具的早期测试表明，它能够减少多种类型图像的模糊，包括文本、照片和插图。 作为 由The Verge报道，该程序创建的结果似乎也比其他图像放大工具更好，这些工具通常使用最近邻算法和双线性算法等算法。

谷歌、微软和英伟达等多家科技公司推动了对超分辨率的研究。 多家公司都设计了自己的超分辨率算法，但用于训练差异超分辨率设备的方法使用相同的基本原理。

ML 超分辨率和其他超分辨率工具是使用低分辨率和高分辨率图像对进行训练的。低分辨率图像通常只是常规高分辨率图像的缩小版本。对低分辨率和高分辨率图像进行比较，机器学习算法了解高分辨率图像中的像素区域与低分辨率图像有何不同。目标是神经网络学会区分像素模式，从而生成更高分辨率的图像。然后，它可以使用这些差异模式来预测在图像中添加像素的位置，以在呈现看不见的图像时提高分辨率。

超分辨率应用程序可以通过多种方法创建。 例如， 一种超分辨率方法 是利用 生成对抗网络（GAN）。 GAN 实际上是两个相互对抗的神经网络，借用了博弈论中的概念，如零和博弈和演员批评家模型。 本质上，一个神经网络的工作是创建假图像，而另一个网络的工作是检测这些假图像。 创建假货的网络称为生成器，而检测假货的网络称为鉴别器。

就 Pixelmator 的超分辨率工具而言， 创建了一个卷积神经网络 它还实现了一个“放大”块，在 29 个卷积层扫描图像后放大图像。 然后，放大的图像阵列经过后处理并转换回分辨率提高的传统图像。 该网络还包含对图像进行降噪和处理压缩伪影的功能，以便图像的这些方面不会被放大。 Pixelmator 的算法比研究环境中使用的算法小得多，以便它们可以包含在 Pixelmator Pro 应用程序中并在各种设备上运行。 与用于类似应用的其他数据集相比，训练数据集相当小，仅使用 15000 个样本来训练算法。

据 The Verge 报道，还有其他超分辨率工具可供消费者使用。 例如，Adobe 在其 Adob​​e Camera 套件中也有自己的超分辨率工具，但 Pixelmator 的工具似乎可以生成最一致的高质量图像。