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个能够将模糊、像素化的图像转换为高细节图像的 AI 模型。根据 TechXplore 的报道，该模型可以将相对较少的像素扩大以创建逼真的面部图像，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特征。

该研究是超分辨率的一个例子。杜克大学计算机科学团队的辛西娅·鲁丁（Cynthia Rudin）向 TechXplore 解释，该研究项目为超分辨率设定了新的记录，因为以前从未从如此少的起始像素中创建过这样的图像。研究人员强调，该模型不会重现原始低质量图像中的面部图像，而是生成新的面部图像，填充原本不存在的细节。因此，该模型不能用于安全系统等领域，因为它无法将模糊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的像素进行猜测来工作，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能与周围的像素相匹配，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首先采用低分辨率图像，并随着时间的推移向图像添加细节，参考高分辨率的 AI 生成面部图像作为示例。该模型参考 AI 生成的面部图像，并尝试找到与目标图像相似的面部图像，当生成的面部图像缩小到目标图像的大小时。

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的神经网络，它们相互对抗。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。该模型甚至可以从几乎无法辨认面部特征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，甚至是光照的细节。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。

虽然研究人员在人脸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。各种物体的低分辨率图像可以用于创建该物体集的高分辨率图像，从而为微观成像、卫星成像、教育、制造和医学等各个行业和领域打开了可能的应用途径。低分辨率图像中使用的技术可以应用于几乎任何物体，低分辨率图像的各种对象可以用来创建该对象集的高分辨率图像，开启了微观成像、卫星成像、教育、制造和医学等各个行业和领域的可能应用。