AI 模型可以将模糊图像的分辨率提高 60 倍

来自杜克大学的研究人员开发了一种人工智能模型，能够将高度模糊、像素化的图像渲染为高细节图像。根据 TechXplore 的报道，该模型可以使用相对较少的像素并将图像缩放以创建逼真的面部图像，图像分辨率约为原始图像的 64 倍。该模型会“幻想”或想象原始图像之间的线条特征。

该研究是超分辨率的一个例子。正如杜克大学计算机科学团队的 Cynthia Rudin 向 TechXplore 解释，该研究项目为超分辨率设定了记录，因为以前从未从如此少的起始像素中创建过如此逼真的图像。研究人员强调，该模型实际上并没有重新创建原始低质量图像中的面部。相反，它生成新的面部，填充之前不存在的细节。因此，该模型不能用于安全系统等，因为它无法将失焦图像转换为真实人物的图像。

传统的超分辨率技术通过对高分辨率图像进行猜测来工作，基于模型之前学习的图像。由于添加的像素是猜测的结果，因此并非所有像素都会与周围的像素匹配，图像的某些区域可能看起来模糊或变形。杜克大学的研究人员使用了一种不同的方法来训练他们的 AI 模型。杜克研究人员创建的模型通过首先获取低分辨率图像并随着时间的推移添加细节来工作，参考高分辨率 AI 生成的面部作为示例。该模型参考 AI 生成的面部并尝试找到在将生成的面部缩小到目标图像大小时与目标图像相似的面部。

研究团队创建了一个生成对抗网络（GAN）模型来处理新图像的创建。GAN 实际上是两个在同一个数据集上训练并相互竞争的神经网络。一个网络负责生成模仿训练数据集中的真实图像的假图像，而第二个网络负责检测假图像和真实图像。第一个网络在其图像被识别为假图像时会收到通知，并且会不断改进，直到假图像与真实图像无法区分。

研究人员将他们的超分辨率模型命名为 PULSE，该模型始终能够产生高质量的图像，即使给定的图像非常模糊，以至于其他超分辨率方法无法从中创建高质量的图像。该模型甚至可以从面部特征几乎无法辨认的图像中创建逼真的面部图像。例如，当给定一个 16×16 分辨率的面部图像时，它可以创建一个 1024 x 1024 的图像。在此过程中，添加了超过一百万个像素，填充了头发、皱纹甚至光照等细节。当研究人员让人们评估 1440 个 PULSE 生成的图像与其他超分辨率技术生成的图像时，PULSE 生成的图像始终获得了最高的评分。

虽然研究人员在面部图像上使用了他们的模型，但他们使用的技术可以应用于几乎任何物体。低分辨率图像可以用于创建高分辨率图像，打开了微观、卫星图像、教育、制造和医学等各个行业和领域的可能应用。