花栗子 郭一璞 發自 凹非寺量子位 報道 | 公眾號 QbitAI
華為「單反」P30 Pro,從遠處拍到的埃菲爾鐵塔,連設計師們的名字都看得清。
這樣的變焦技能,奢侈到讓人心生嫉妒。
不過現在,就算不是P30 Pro,沒有徠卡四攝,沒有4,000萬像素,只靠深度學習,iPhone也可以把50米之外的細節,拍得清楚明白。
比如,你在街上走着,望到了對面的店鋪,牆邊立着像梯子一樣的東西:
這時候,如果用普通的數碼變焦拍一張特寫,約等於自暴自棄:
那麼,讓超分辨率的大前輩ESRGAN試一下。
還是有些力不從心:
是時候展現真正的技術了。
主角出場,超進化的數碼變焦:
原來它長這樣啊。每一道銀色的線條,都堅定地橫在畫面上,沒有被黑暗的背景消融掉,細節比前輩生成的清晰許多。
走着走着,又看到了20米以外的小幅海報,上面細小的網址,不用走過去拍也能看清:
這隻眼力上佳的AI,微調一波之後,已經在iPhone X的相機上測試可用。
論文還中了CVPR 2019。作者有四位,一作是伯克利的博士生張璇兒,二作是港科大的助理教授陳啟峰。
團隊說關鍵在於,不能只用RGB圖像數據來訓練,要用原始數據。
不一樣的數據集
在超分辨率的世界裡,有些標準操作,大家已經習以為常。
卻沒發現,原本常用的數據集,帶來了兩個嚴重的問題。
第一,因為神經網絡需要成對的圖片,一張高分辨率一張低分辨率,來解鎖從低清里恢復高清的技能。通常的做法是,對高清圖片做降採樣(Downsampling) ,得到對應的那張低清圖片。
降採樣,會間接減少圖像的噪點。
而超分辨率通常是要把遠處的物體放大,離鏡頭越遠的物體,它所在的區域噪點會越多,因為進入光圈的光子少了。
這樣說來,用降採樣炮製的數據,不太適合拿來訓練超分辨率的技能。
第二,現有的大多數方法,都是直接用8位RGB圖像當訓練數據的。
但RGB圖像,不是攝像頭的原始數據 (Raw Sensor Data) ,是圖像信號處理器 (ISP) 加工過的。
這加工步驟會損失一些高頻信號,其中一個目的也是降噪。
相比之下,原始數據 (12-14位) 保留了這些高頻信號,可能對恢復圖像質量有幫助:
總結一下,一要拋棄降採樣,二要用原始數據來訓練。於是,研究人員拿起了單反,用光學變焦鏡頭去拍成對的照片。
簡單來說,短焦拍下低分辨率圖像,長焦拍下高分辨率圖像。
複雜一點說,24-240毫米的變焦鏡頭,可以拍出許多種不同焦距的照片。對畫面上的一個物體來說,就是不同的分辨率了:
任意兩張圖像,只要分辨率不同,都可以組成一對。
SR-RAW數據集就這樣誕生了。每張圖像都是原味,低清不是由高清粗暴轉化得來,原始數據也都在。
訓練的時候,是用低清照片的原始數據,加上高清照片的8位RGB圖:高清是低清的Ground Truth。
那麼,是不是有了數據集,就得到了天下?
還差一點:
圖像對不齊怎麼辦
訓練超分辨率,首先需要圖像對齊(Alignment) 。就是把低清圖像的每一個像素點,和高清圖像里的像素點對應起來。
因為高清和低清圖像,是在同一枚鏡頭的不同配置下拍攝的,對齊的時候會出現不可避免的問題。
比如,透視問題。調了焦,物體之間的距離變了,很難對齊了:
比如,景深問題。調了焦,物體和背景之間的距離也變了,更難對齊了:
另外,高清圖像裡面,物體邊緣會更加鋒利,而低清圖像里的邊界比較模糊,原本就很難對齊。
於是,團隊提出了一種新的損失函數,叫做CoBi。
這個損失,是在去年發表的Contextual Loss(簡稱CX) 基礎上進化而生。
CX可以解決圖像不對齊的問題,卻不考慮圖像的空間特徵,在執行超分辨率任務的時候會出現重大的瑕疵 (下圖B) :
△ 左起:CoBi訓練成果、Ground Truth
所以,CoBi比CX多加了一項有關空間坐標的損失。這樣,便可以訓練出優秀的超分辨率網絡了。
原始數據,真的更有效
訓練完成之後,要和其他網絡比一場。那麼,先用肉眼評判一下。
一道題目是,限時段停車的指示牌:
△ 左下是低清輸入,右下是Ground Truth
比賽結果是 (看不清可以把手機橫過來) :
主角恢復的文字,比前輩們都要清晰一籌。
如果,你感覺它和ESRGAN的表現差不多,我們來單獨對比一下:
優勢還是可見的。
數據,也支持了肉眼的判斷:
不論4倍還是8倍變焦,主角的各項指標,都要明顯優於其他選手。
上面的數據表里,SSIM是結構相似性,PSNR是峰值信噪比,都是和Ground Truth相比,越大越好。
LPIPS是一個新近提出的指標,是用一個預訓練的網絡,來測量圖像之間的感知相似度 (Perceptual Image Similarity) ,越小越好。
打敗了對手之後,團隊又用人工合成的傳感器數據 (C) ,以及8位RGB圖像 (B) ,分別訓練了一下自家的模型,看原始數據(D) 訓練的模型是不是真比它們更優秀。
其中一道題目,是40米之外的馬里奧:
左是用合成數據訓練的,右是用原始數據訓練的:
原始數據的訓練之下,畫質更加美好。
對比一下,這是Ground Truth (來自光學變焦鏡頭,就是單反) :
各項指標也認為,投餵原始數據的模型表現更出色:
△ Ours-syn-raw=合成數據訓練後,Ours=原始數據訓練後
不過,合成數據上訓練的成果,雖然比不上用原始數據養成的模型,但還是比直接用RGB圖像訓練的模型,要爭氣一些。
終究,還是要用原始數據訓練的好。
結論令人振奮,但還不是結局。研究人員希望這只用單反傳感器養成的AI,也能適應手機的傳感器。
於是,他們選了iPhone X做小白鼠,用一個小數據集微調了一番。5000次迭代之後,模型在手機上獲得了新生:
實驗室里的人類們
研究團隊,來自伯克利、港科大和英特爾。
一作是來自伯克利的張璇兒,高中畢業自人大附中,本科畢業於萊斯大學,如今已是四年級的博士生。
主攻計算機視覺的她,先後在Adobe、Facebook和英特爾實習過。張璇兒一作且有陳啟峰參與的CVPR論文,已經不止一篇了。
比如,這項畫風綺麗的研究成果,可以去除照片上的「鬼影」。
二作,大家可能比較熟悉了。
陳啟峰,1989年生,高中獲得IOI金牌,本科就讀於香港科技大學。在密大交換期間獲得過全球ACM總決賽的亞軍 (北美第一) 。
2012年,陳啟峰獲得了包括斯坦福、哈佛、MIT在內9所學校的PhD錄取信,最終選擇了斯坦福。
2017年博士畢業,2018年便成了港科大的助理教授。2018年他獲得Google Faculty Research Award,被麻省理工評論選為中國35歲以下科技創新35人。
三作吳義仁 (Ren Ng) ,伯克利的助理教授,張璇兒便是在他的實驗室里做研究。
吳教授出生在馬來西亞,8歲移民澳大利亞。2006年斯坦福大學博士畢業,還獲得了當年ACM的博士論文獎。
他的主要研究方向是數字光場攝影技術,還創辦了光場相機公司Lytro,把這項技術引入消費級電子產品。
四作是Vladlen Koltun,來自英特爾的資深科研主管,是智能系統實驗室Intelligent Systems Lab的負責人。張璇兒和陳啟峰,都曾經在他的實驗室里工作過。
One More Thing
要是你既買不起P30 Pro,又不會訓練深度學習模型,別擔心,還可以直接上望遠鏡。
貼心的量子位,替你找到了這個:
咦,你怎麼用了品如的望遠鏡?
評論列表
我一直有關注,真的很有幫助
如果發信息不回,怎麼辦?