今天不写硬件了，来点软的。

就聊聊“如何用技术去掉马赛克”这件事情。

别污，我们在聊一个把艺术和科技结合起来的黑科技。

某些时候我们需要一些能把低分辨率，也就是充满马赛克的图像还原，利用已有的软件还是比较费时费力。

之前谷歌曾有一个 RAISR 技术，全称为“快速、精确的超分辨率技术”。

它能通过识别低分辨率图像并且采样，使用过滤器来强化像素细节。

在保持图像大小不变的基础上，使画质变得高清。

但是只能作用于分辨率不会太低的图像。

而近日，谷歌大脑发表论文，阐述其最新开发的图片还原技术——

像素递归超分辨率技术

很长的名字，大家只要知道它是一项能提高图像分辨率的技术就成。

这项技术能将 8x8（64像素）的低分辨率图片还原成 32x32 分辨率。

谷歌大脑和 DeepMind 是 Alphabet 的两大深度学习研究机构。前者主要研究机器深度学习，开发的智能软件广泛用于谷歌的产品中。后者则因为其开发的 AlphaGo 而名声大噪。

8x8 分辨率有多低，看下图。

完全看不出是个啥。

经过处理后：

而原图是这样的：

为什么我觉得比原图好看多了。。。

这个技术实现的原理，用最简单明了的话来说就是：

计算机经过挑选、对比，从大量相似照片中，根据一定概率算法往低分辨率图像里填充更高清的细节。

（我提前预警一下，以下内容略深奥）

论文阐述了在复原过程中主要使用的是两种神经网络：

一个是条件网络(conditioning network)。

将数据库中的高清图片迅速降低分辨率，然后与需要还原的低分辨率照片进行对比，匹配一大堆同类相似照片。

第二个是优先网络（prior network），基于像素卷积神经网络(PixelCNN) 往低分辨率照片中增加真实的高清细节。

卷积神经网络（Convolutional Neural Network）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

在论文的案例里，提供的同类照片是名人和卧室，优先网络根据优先级最终确认名人的照片。

跟着，优先网络在高分辨率和低分辨率的图像中根据概率做出决定，比如某个像素的位置应该是鼻孔，那么就会添加高清的鼻孔上去。

两个神经网络的最佳猜测会整合成最终的图像。

虽然最终的结果都不太像原图，而且会有怪异的图像出现，像这种：

但是人眼分辨的测试结果出乎意料。

当测试中要求观察者选出照相机拍摄的名人照片时，10% 选择了经过修复的图片（50%就属于完美得分）。

百分比为选择修复图片的比例

而在卧室照片的测试中，则有 28% 的人选择了经过还原的卧室图片。

百分比为选择修复图片的比例

尽管还原的图片能瞒过一部分人，但是这项技术是有限制的：

还原的图片是计算机经过深度学习，根据相似图像猜测细节的结果。

所以在执法领域，可以将模糊的犯罪嫌疑人、死者的图像变得更清晰，但是不能得到真实的照片。

尽管如此，能给予的帮助还是很大的。

毕竟现在我们拍出来的真实照片其实也并不真实。

最后教大家一个快速消除马赛克的方法，把眼镜摘下来，离远点看，世界从未有过的清晰。

不谢哈。