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？