在 AlphaGo 對弈李世石、柯潔之后，更多行業開始嘗試通過機器學習優化現有技術方案。其實對于實時音視頻來講，對機器學習的研究已有多年，我們曾分享過的實時圖像識別只是其中一種應用。我們還可以利用深度學習來做超分辨率。我們這次就分享一下用于超分辨率的深度學習基本框架，以及衍生出的各種網絡模型，其中有些網絡在滿足實時性方面也有不錯的表現。

機器學習與深度學習

對于接觸機器學習與深度學習較少的開發者，可能會搞不清兩者的差別，甚至認為機器學習就是深度學習。其實，我們用一張圖可以簡單區分這個概念。

上世紀50年代，就有人工智能的概念，后來也有一些較基礎的應用，比如國際象棋。但到了70年代，由于硬件性能的制約，以及訓練數據集的匱乏，使得人工智能經歷了一段低谷。人工智能包括了很多，比如機器學習、調度算法、專家系統等。到了80年代才開始出現更多機器學習的應用，比如利用算法來分析數據，并進行判斷或預測。機器學習包括了邏輯樹、神經網絡等。而深度學習，則是機器學習中的一種方法，源于神經網絡。

超分辨率是什么？

超分辨率是基于人類視覺系統提出的概念。1981年諾貝爾醫學獎獲獎者David Hubel、Torsten Wiesel，發現人類視覺系統的信息處理方式是分層級的。第一層是原始的數據輸入。當人看到一個人臉圖像時，首先會先識別出其中的點、線等邊緣。然后進入第二層，會識別出圖像中一些基本的組成元素，比如眼睛、耳朵、鼻子。最后，會生成一個對象模型，也就是一張張完整的臉。

而我們在深度學習中的卷積神經網絡（如下圖為例），就是模仿了人類視覺系統的處理過程。正因此，計算機視覺是深度學習最佳的應用領域之一。超分辨就是計算機視覺中的一個經典應用。

超分辨率是通過軟件或硬件方法，提高圖像分辨率的一種方法。它的核心思想，就是用時間帶寬換取空間分辨率。簡單來講，就是在我無法得到一張超高分辨率的圖像時，我可以多拍幾張圖像，然后將這一系列低分辨率的圖像組成一張高分辨的圖像。這個過程叫超分辨率重建。

為什么超分辨率可以通過多拍幾張圖像，就能提高圖片分辨率呢？

這牽涉到抖動。我們經常說的拍照防抖動，其實防的是較明顯的抖動，但微小的抖動始終存在。在拍攝同一場景的每張圖像之間，都有細微差別，這些微小的抖動其實都包含了這個場景的額外信息，如果將他們合并，就會得到一張更為清晰的圖像。

有人可能會問，我們手機都能前后置兩千萬，為什么需要超分辨率技術呢？這種技術應用場景是不是不多？

其實不是。了解攝影的人都知道。在相同的感光元器件上，拍攝的圖像分辨率越高，在感光元器件上，單個像素占的面積越小，那會導致通光率越低，當你的像素密度到達一定程度后，會帶來大量噪聲，直接影響圖像質量。超分辨率就可以解決這種問題。超分辨率有很多應用，比如：

數字高清，通過這種方法來提高分辨率

顯微成像：合成一系列顯微鏡下的低分辨率圖像來得到高分辨率圖像

衛星圖像：用于遙感衛星成像，提升圖像精度

視頻復原：可以通過該技術復原視頻，例如老電影

但是，有很多情況下，我們只有一張圖像，無法拍攝多張，那么如何做超分辨率呢？這就需要用到機器學習了。比較典型的例子，就是在2017年Google 提出的一項“黑科技”。他們可以通過機器學習來消除視頻圖像中的馬賽克。當然，這項黑科技也有一定限制，以下圖為例，它訓練的神經網絡是針對人臉圖像的，那么如果你給的馬賽克圖像不是人臉，就無法還原。

超分辨率神經網絡原理

超分辨率神經網絡（Super-Resolution CNN，SRCNN）是深度學習應用在超分辨率領域的首個模型。原理比較簡單。它有三層神經網絡，包括：

特征提取：低分辨率圖像經過二項式差值得到模糊圖像，從中提取圖像特征，Channel 為3，卷積核大小為?f1*f1，卷積核個數為 n1；

非線性映射：將低分辨率圖片特征映射到高分辨率，卷積核大小1*1；

圖像重構：恢復細節，得到清晰的高分辨率圖像，卷積核為f3*f3；

參數調節是神經網絡中比較玄的部分，也是最為人詬病的部分。很多人認為參數調節很像老中醫看病，通常缺少理論依據。在這里列出了幾個在 n1 取不同值的時候，所用的訓練時間和峰值信噪比（PSNR，用于判斷圖片質量的參數，越高越好）。

在訓練中，使用均方誤差(Mean Squared Error, MSE)作為損失函數，有利于獲得較高的PSNR。

訓練結果如何呢？在下表中，列出了幾個傳統方法與 SRCNN 方法的結果對比。最左一列是圖片集，右側分別列出了每個方法的所用訓練時間和圖片峰值信噪比。可以看出，盡管有些圖片，傳統方法得出的結果更優于深度學習，但是總體來講，深度學習稍勝一籌，甚至所需時間更短。

有人說一圖勝千言。那么實際圖片效果如何呢？我們可以看下面兩組圖片。每組第一張是小分辨率的原圖，后面通過不同的方法來實現高分辨率的大圖。相比傳統方法，SRCNN 的圖片邊緣更加清晰，細節恢復的更好一些。以上就是最初的超分辨率的深度學習模型。

9個超分辨率神經網絡模型

SRCNN 是第一個超分辨率的神經網絡模型。在 SRCNN 這個模型出現后，更多應用于超分辨率的神經網絡模型。我們以下分享幾個：

FSRCNN

相對 SRCNN，這個方法不需要對原始圖片使用二項式差值，可以直接對小分辨率圖像進行處理。在提取特征值之后，縮小圖片，然后經過 mapping、expending、反卷積層，然后得到高分辨率圖片。它好處是，縮小圖片可以降低訓練的時間。同時，如果你需要得到不同分辨率的圖片，單獨訓練反卷積層即可，更省時。

ESPCN

這個模型是基于小圖進行訓練。最后提取了 r2 個 Channel。比如說，我想將圖片擴大到原圖的3倍，那么 r 就是縮放因子 3，Channel 為9。通過將一個像素擴充為一個3x3的矩陣，模擬為一個像素的矩陣，來達到超分辨率的效果。

對實時視頻進行超分辨率處理的實驗結果也非常理想。對 1080 HD 格式的視頻進行3倍放大，SRCNN 每幀需要0.435s，而 ESPCN 則只需0.038s。

VDSR

這是2016年獲獎的一個模型。我們做視頻編解碼的都知道，圖像之間是存在殘差的。它認為原始的低分辨率圖片與高分辨率圖片之間，低頻分量幾乎一樣，缺失的是高頻分量，即圖片細節。那么訓練的時候，只需要針對高頻分量進行訓練就行了。

所以它的輸入分為兩部分，一是將整張原圖作為一個輸入，另一部分則是對殘差進行訓練然后得到一個輸入，將兩者加起來就得到一張高分辨率圖像。這樣就大大加快了訓練速度，收斂效果也更好。

DRCN

它還是分為三層。但是在非線性映射這一層，它使用了一個遞歸網絡，也就是說，數據循環多次地通過該層。將這個循環展開的話，等效于使用同一組參數的多個串聯的卷積層。

RED

每一個卷積層都對應一個非卷積層。簡單來講，可以理解為是將一張圖片進行了編碼，然后緊接著進行解碼。它的優勢在于解決了梯度消失的問題，而且能恢復出更干凈的圖片。它和 VDSR 有相似的思路。中間卷積層與反卷積層的訓練是針對原始圖片與目標圖片的殘差。最后原圖會與訓練輸出結果相加，得到高分辨率的圖片。

DRRN

在這個模型里你可以看到DRCN、VDSR的影子。它采用了更深的網絡結構來提升性能。其中有很多個圖片增強層。可以理解為，一張模糊的圖片，經過多個增強層，一級級變得更加清晰，最終得出高清圖片。大家可以在名為tyshiwo的 Github 上找到源碼。

LapSRN

LapSRN 的特別之處在于引入了一個分級的網絡。每一級都只對原圖放大兩倍，然后加上殘差獲得一個結果。如果對圖片放大8倍的話，這樣處理的性能會更高。同時，在每一級處理時，都可以得到一個輸出結果。

SRDenseNet

它引入了一個 Desent Block 的結構。上一層網絡訓練出的特征值會傳遞到下一層網絡，所有特征串聯起來。這樣做的好處是減輕梯度消失問題、減少參數數量。而且，后面的層可以復用之前訓練得出的特征值，不需要重復訓練。

SRGAN

它可以利用感知損失(perceptual loss)和對抗損失(adversarial loss)來提升恢復出的圖片的。

在這個模型中有兩個網絡，一個是生成網絡，另一個是判別網路，前者會生成高分辨率圖片，后者則會判斷這張圖是否是原圖，如果結果為“否”，那么前者會再次進行訓練、生成，直到可以騙過判別網絡。

以上這些神經網絡模型都可以應用于視頻處理中，但實際應用還需要考慮很多因素，比如系統平臺、硬件配置、性能優化。其實，除了超分辨率，機器學習與實時音視頻有很多可結合的應用場景，比如音視頻體驗優化、鑒黃、QoE 改進等。我們將在今年9月的RTC 2018 實時互聯網大會上，將邀請來自 Google、美圖等公司技術專家分享更多實踐經驗與干貨。

點擊即可報名RTC 2018 實時互聯網大會

本文中圖片源于參考文獻，包括：

1.Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014

2.Accelerating the Super-Resolution Convolutional Neural Network, ECCV2016

3.Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network, CVPR2016

4.Accurate Image Super-Resolution Using Very Deep Convolutional Networks, CVPR2016

5.Deeply-Recursive Convolutional Network for Image Super-Resolution, CVPR2016

6.mage Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections, NIPS2016

7.Image Super-Resolution via Deep Recursive Residual Network, CVPR2017

8.Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution, CVPR2017

9.Image Super-Resolution Using Dense Skip Connections, ICCV2017

10.Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, CVPR2017