实时把动画变成4k高清，延时仅3毫秒，登上GitHub趋势榜

　　栗子 发自 凹非寺 
　　量子位 出品 公众号 QbitAI

　　看动画 (特别是里番) 的时候，总会觉得画质不够好，就算已经有 1080p，还是会感到不够清晰。

　　所以，这个世界十分需要一套拯救分辨率的魔法。

　　如今，有个名叫Anime4K的开源算法，能在动画播放中，实时把画面变成4k，延时低至3 毫秒。

　　能把 720p/1080p 变成 2160p，也能把 480p 变成 1080p。

　　团队说，这是当下最强 (State-of-the-Art) 的动画实时超分辨率方法，可以拿任何编程语言实现。

　　现在，项目已经在 GitHub 摘下3700多颗星，并一度登上了趋势榜。

　　那么，这个算法究竟是如何造福人类的？

　　只搞动画

　　团队在论文里感慨道：

传统超分辨率算法 (如 Bicubic) ，结果不怎么好，因为它们根本不是为了动画而生的。

传统的去模糊 (Unblurring) 或锐化 (Sharpening) 方式，在靠近物体边缘的时候会发生过冲 (Overshoot) ，分散观众注意力，降低图像的感知质量 (Perceptual Quality) 。

而机器学习方法 (如 waifu2x) 又太慢，完全不能实时 (<30 毫秒) ，尤其是需要超高清的时候。

waifu2x

　　而 Anime4K，只处理动画就够了，不考虑其他视频类型。这一点很重要。

　　动画没有真实视频那么多纹理 (Textures) ，基本都是用平直着色法 (Flat Shading) 处理的物体和线条。

　　只要画质变好一点点，观众也看得出。所以团队机智地想到，不用做整张的画质提升，专注于细化边缘就可以了，纹理之类的细节不重要。

　　具体怎样做，要从超分辨率的原理开始讲：

　　首先，一张图可以分为两部分：

一是低频分量，就是一张模糊的低分辨率图。

二是高频残差，代表两种分辨率之间的差别 (Difference) 。

　　输入一张低清图，把它变成一个更低清的版本，就能得出一个残差。

　　把残差变薄 (Thin) 、锐化 (Sharpen) ，再加到低清图上，就能得到一张高清图。

　　但残差稍稍有点错误，就会造成振铃和过冲，影响效果。这也是前辈的缺陷所在。

　　于是，团队找到了一种新方法：

首先把残差厚度最小化当做目标，这个没有问题。

但直接把随意变换(Arbitrarily Transformed)得到的残差，用到一张低清图上是不行的。低清图要做出相应改变，才能与残差和平相处，得出理想的超分辨率结果。

所以，当输入一张图和它的残差之后，“push”残差的像素，让残差线变细；

同时，每做一个 push，都要在彩色的低清图上，执行一个相同的操作。

　　这样，既能把模糊最小化，也不会出现振铃和过冲，这两个降低画质的现象。

　　比一比吧

　　这场比赛，Anime4K (最右) 的对手有：来自 madVR 的不开源算法NGU前辈 (左二) ，以及开源的机器学习算法waifu2x前辈 (左三) 。

　　第一题，眼睛：

　　第二题，耳朵：

　　第三题，玉手：

　　第四题，全脸：

　　waifu2x 前辈的效果，明显不及 Anime4K，常见虚影。速度也有明显缺陷，每张图耗时超过 1 秒。

　　NGU 前辈生成的画质，与 Anime4K 相近，但也常常被 Anime4K 打败。

　　不止如此，NGU 每张耗时~6 毫秒，Anime4K 只要~3 毫秒，快了一倍，更加适应实时生成的需求了。

　　效果相近的话，为啥不直接用 NGU？因为不开源。

　　如果，你觉得 720p/1080p 的动画，没必要变成 4K 这么奢侈，那还可以把480p拯救到 1080p 啊：

　　依然，Anime4K 和没开源的 NGU 不相上下。

　　最后，尽管已经获得了精湛的画质提升技能，团队也没有就此抛弃机器学习的力量。

　　因为在拯救静止画作 (而非动画) 的时候，Anime4K 的短板显现了。这时候，让机器学习选手 waifu2x 和它并肩作战，更加成功一些：

　　需要实时提升分辨率，还是用 Anime4K 吧。

　　反正也已经开源了：

　　项目传送门：

　　https://github.com/bloc97/Anime4K

　　论文传送门：

　　https://github.com/bloc97/Anime4K/blob/master/Preprint.md