您好、欢迎来到现金彩票网!
当前位置:刘伯温论坛 > 图像复原 >

谷歌发布超强马赛克清除技术靠AI的 “脑补”来还原图像

发布时间:2019-05-28 20:58 来源:未知 编辑:admin

  有时候出于隐私等方面的考虑,我们需要给图片和影像打上马赛克,有时候我们又会嫌马赛克碍事,打马赛克和反马赛克仿佛一场无止境的较量。微软在1月底推出了一项自动视频打码技术,用户只需要选择视频中的一个任务,AI就能自动识别、追踪视频中这个人物所有露脸的地方并进行模糊处理。而近日Google Brain(谷歌大脑)团队又发布了一个名为超强像素递归方案(Pixel Recursive Super Resolution)的AI系统,能提高像素乱化处理后的照片的分辨率。通俗地讲,就是能去除马赛克。

  有兴趣的读者可以试试用谷歌的这个AI去清除微软的AI打出来的马赛克,不过在进行这个“以子之矛,攻彼之盾”的游戏前,不妨先看看谷歌的这个解码AI到底“超强”在哪里。

  谷歌上载在预印本网站arXiv上的论文详细介绍了这个算法的原理和效果。在下图中,右列是名人照片未经模糊化的原图,左列是被打码后的照片,分辨率仅有8*8像素。而中间是谷歌的AI解码处理后的效果,分辨率达到32*32像素,提升了16倍。

  通常情况下,马赛克是难以清除的。这是因为在打码过程中,原图的信息会经历不可逆的损失。根据奈奎斯特采样定理,如果这个采样频率比原始数据的频率的 2 倍还要低,那么必然产生不可逆的数据损失。

  以往最常见的马赛克去除方法是插值。我们可以把每一个像素想象成一个特定颜色的小格子,这些特定的颜色可以用特定的数值代表。一张图片就是由无数这样的小格子组成的。而最常见的马赛克手段,就是把那个区域的数字都取周围数字的平均数。

  而所谓的插值,就是把这块被取并均值的区域再进行放大,比如放大200%的话,原来被打码区域里的一个小格子就会被2*2四个格子取代,剩下的任务就是再重新填充这4个格子的颜色。我们可以通过取周围若干个格子颜色的加权平均值来填充每个格子,取的周围格子数越多,还原效果也就越好。当然,这种解码手段最后呈现的效果并不能令人满意。

  2016年,得克萨斯大学的一个团队推出了一个名为Torch的反马赛克,不过Torch的原理是识别而非复原。也就是说,Torch可以匹配出被打马赛克图片相符或者相似的原图。

  谷歌大脑的这个算法思路与Torch一脉相承,只是技术上更进一步。开发者们通过深度学习让机器产生“联想”,以“猜测”的方式为被马赛克的色块增加细节,提升像素倍数,从而得出更清晰的画面。比起“还原”,还不如说这是AI靠强大的学习和计算能力“脑补”出了原图。

  这种“脑补”基于两项核心工具。第一项工具调节网络(conditioning network),是一个CNN(卷积神经网络),通过向系统展示海量人物面部照片来进行训练,让系统记忆学习到具有代表性的面部特征。另一项工具优先网络(prior network)是一个PixelCNN,让系统基于之前的训练,猜测哪些细节可以作为高分辨率照片的特征,并根据概率优先原则,从所有可能的原图中找到最有可能匹配的细节,对高分辨率照片进行填充。

  目前,该系统“还原”出的人脸照片的混淆率是10%。在“还原”场景图片方面,该系统的表现可能会更好一些,其混淆率可以达到28%。50%的混淆率意味着完全复原,可以以假乱真。

  从应用角度来看,该系统最大的突破在于能够让8*8像素的模糊图片变得清晰一些,尽管离通过识别面部验证人员身份还有一段距离,但对于通过“还原“分辨图片中对象的位置、确定事物大概面貌以及确认某人是否在现场来说已经足够了,这将为犯罪刑侦带来更大的帮助。

  而Google近水楼台先得月,可能会将该技术率先应用在自家SNS社交网站“Google+”的图片上传上,即在用户上传照片时将其低像素压缩,识别出图片中的关键信息,然后再启动这项AI技术,将图片提高分辨率进行“还原”。这种方式可以帮助用户节省流量。

http://airgomusic.com/tuxiangfuyuan/128.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有