教你一招，讓普通手機變身望遠鏡！

來源丨量子位（ID：QbiAI）

作者 | 花栗子 郭一璞

一些手機靠良好的變焦技能，如果從遠處拍到的埃菲爾鐵塔，連設計師們的名字都看得清。這真是奢侈到讓人心生嫉妒。

不過現在，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，你在街上走著，望到了對面的店鋪，牆邊立著像梯子一樣的東西：

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，讓超解析度的大前輩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。

走著走著，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

在超解析度的世界裡，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，因為神經網路需要成對的圖片，一張高解析度一張低解析度，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。

而超解析度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解析度的技能。

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，短焦拍下低解析度圖像，長焦拍下高解析度圖像。

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，就是不同的解析度了：

任意兩張圖像，只要解析度不同，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

訓練超解析度，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，在執行超解析度任務的時候會出現重大的瑕疵 (下圖B) ：

左起：低清輸入、CX訓練成果

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解析度網路了。

原始數據，真的更有效

訓練完成之後，要和其他網路比一場。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) ：

右一為主角

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：

左為ESRGAN，右為主角

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。

上面的數據表裡，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路，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感測器數據 (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，投喂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感測器養成的AI，也能適應手機的感測器。

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年生人，高中獲得IOI金牌，放棄清華保送而選擇港科大，又在密大交換期間獲得過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便已成了港科大的助理教授。

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

要是你既買不起自帶強大變焦功能的手機，又不會訓練深度學習模型，別擔心，還可以直接上望遠鏡。

我們貼心地替你找到了這個：

咦，你怎麼用了品如的望遠鏡？

果殼

ID：Guokr42

整天不知道在科普些啥玩意兒的果殼

我覺得你應該關注一下

為啥這樣的二維碼也能掃？

掃碼發送【二維碼】告訴你原理~

喜歡就點個「在看」唄~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！