点击上方“五分钟学算法”，选择“星标”
在看 真爱
量子位 出品 | 公众号 QbitAI
看动画
(特别是里番/P站) 的时候，总会觉得画质不够好，就算已经有1080p，还是会感到不够清晰，太影响体验了。
所以，这个世界十分需要一套拯救分辨率的魔法。
如今，有个名叫
Anime4K的开源算法，能在动画播放中，
实时把画面变成
4k，延时低至
3毫秒。
能把720p/1080p变成2160p，也能把480p变成1080p。
团队说，这是
当下最强 (State-of-the-Art) 的动画实时超分辨率方法，可以拿任何编程语言实现。
现在，项目已经在GitHub摘下
3700多颗星，并一度登上了趋势榜。
那么，这个算法究竟是如何造福人类的？
只搞动画
团队在论文里感慨道：
传统超分辨率算法 (如Bicubic) ，结果不怎么好，因为它们根本不是为了动画而生的。传统的去模糊 (Unblurring) 或锐化 (Sharpening) 方式，在靠近物体边缘的时候会发生 过冲 (Overshoot) ，分散观众注意力，降低图像的感知质量 (Perceptual Quality) 。而机器学习方法 (如waifu2x) 又太慢，完全不能实时 (<30毫秒) ，尤其是需要超高清的时候。
△ waifu2x
而Anime4K，
只处理动画就够了，不考虑其他视频类型。这一点很重要。
动画没有真实视频那么多纹理 (Textures) ，基本都是用平直着色法 (Flat Shading) 处理的物体和线条。
只要画质变好一点点，观众也看得出。所以团队机智地想到，不用做整张的画质提升，专注于
细化边缘就可以了，纹理之类的细节不重要。
具体怎样做，要从超分辨率的原理开始讲：
首先，一张图可以分为两部分：
一是低频分量，就是一张模糊的低分辨率图。二是高频残差，代表两种分辨率之间的差别 (Difference) 。
输入一张
低清图，把它变成一个
更低清的版本，就能得出一个
残差。
把残差
变薄 (Thin) 、
锐化 (Sharpen) ，再加到低清图上，就能得到一张高清图。
但残差稍稍有点错误，就会造成
振铃和
过冲，影响效果。这也是前辈的缺陷所在。
于是，团队找到了一种新方法：
首先把 残差厚度最小化当做目标，这个没有问题。但直接把随意变换(Arbitrarily Transformed)得到的残差，用到一张低清图上是不行的。低清图要做出相应改变，才能与残差和平相处，得出理想的超分辨率结果。所以，当输入一张图和它的残差之后，“push”残差的像素，让残差线变细；同时，每做一个push，都要在彩色的低清图上，执行一个相同的操作。
这样，既能把模糊最小化，也不会出现振铃和过冲，这两个降低画质的现象。
比一比吧
这场比赛，Anime4K (最右) 的对手有：来自madVR的不开源算法
NGU前辈 (左二) ，以及开源的机器学习算法
waifu2x前辈 (左三) 。
第一题，眼睛：
第二题，耳朵：
第三题，玉手：
第四题，全脸：
waifu2x前辈的效果，明显不及Anime4K，常见虚影。速度也有明显缺陷，每张图耗时超过1秒。
NGU前辈生成的画质，与Anime4K相近，但也常常被Anime4K打败。
不止如此，NGU每张耗时~6毫秒，Anime4K只要~3毫秒，快了一倍，更加适应
实时生成的需求了。
效果相近的话，为啥不直接用NGU？因为不开源。
如果，你觉得720p/1080p的动画，没必要变成4K这么奢侈，那还可以把
480p拯救到1080p啊：
依然，Anime4K和没开源的NGU不相上下。
最后，尽管已经获得了精湛的画质提升技能，团队也没有就此抛弃
机器学习的力量。
因为在
拯救静止画作 (而非动画) 的时候，Anime4K的短板显现了。这时候，让机器学习选手waifu2x和它并肩作战，更加成功一些：
需要
实时
提升分辨率，还是用Anime4K吧。
反正也已经开源了：
项目传送门
：
https://github.com/bloc97/Anime4K
有热门推荐👇
1.【程序员】
2.【GitHub】
3.【算法】
4.【数据结构】
转载：https://blog.csdn.net/kexuanxiu1163/article/details/102385463
查看评论