Anime4K:目前最热开源实时二次元动漫超分辨率算法,Github上一周收获近三千星!

今天,我们将介绍Anime4K(动漫图片超分辨率算法),这是目前最热门的开源项目,特点:实时、视频动画放大算法。

在一周内,Anime4K在Github上收获了将近3千颗星。作者在6天前介绍了reddit上的项目,并成为每个人的热门话题,引起了极大的关注!

在这个人工智能时代,基本上都是深度学习训练数据等,Anime4K根本不使用深度学习和训练学习,而且速度非常快!

下图显示了使用Anime4K将动画图像从1080p增加到2160p的效果:

你没看错,在计算硬件Vega 64 GPU平台上只需3毫秒。

我们来看看其他开源库和Anime4K效果对比:

可以看出Anime4K是当中视觉效果最好的!

作者说,Anime4K非常适合动画放大任务。它非常快,可以保持视频内容的连贯性, 它只有大约100行代码,效果异常非常好。

Anime4K不使用任何机器学习或统计方法,它是保持锐利边缘和线段的理想选择,并且可以容忍一些精细纹理的丢失。它是一种迭代算法,将颜色信息视为高度图并使用渐变上升将“像素”“推”到可能的边缘。

作者认为这很可能是在基于学习的方法内部完成的(例如VDSR,waifu2x)。

算法原理

讲了这么多我们来看看它的算法原理:

Anime4K仅适用于动漫图像放大,因为动漫通常没有丰富的纹理,人眼对其边缘和线段更敏感。

图像超分辨率的一般过程:

LR_U是上采样的低分辨率图像,r是高频残差,并且高分辨率图像HR = LR_U + r。

过去的大多数算法都是预测性的。

作者发现,对于清晰图像,残留图像中的边缘和线段往往更薄,而对于模糊图像,残留图像中的边缘和线段往往更粗糙。

该算法的主要目标是不断修改LR_U(通过低分辨率采样获得的模糊图像),直到其残差最精细,为我们提供最清晰的HR图像。

输入LR_U及其初始残差r,“推”残差的像素,使残差映射中的线段边缘更薄。对于在残差图上执行的每个“推”操作,对彩色图像执行相同的操作。这具有迭代地最大化图像梯度的效果,其在数学上等同于最小化模糊,但是该方法不具有诸如常规方法中常见的振铃之类的伪像。

对于代码描述,以下几行:

for each pixel on the image:

for each direction (north, northeast, east, etc.):

using the residual, if an edge is found:

push the residual pixel in the current direction

push the color pixel in the current direction

细节原理可以参考下面:

https://github.com/bloc97/Anime4K/blob/master/Preprint.md#proposed-method

我们来看下下几张不同算法的动漫超分辨率效果:

无论是那种分辨器和设置下,Anime4K都完胜其它的算法。

相关论文源码关注微信公众号:“图像算法”或者微信搜索账号imalg_cn关注公众号

  • 6
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
告别AV画质:实时把动画变成4k高清,延时仅3毫秒,登上GitHub趋势榜 量子位 量子位 ​ 已认证的官方帐号 7,564 人赞同了该文章 栗子 发自 凹非寺 量子位 出品 | 公众号 QbitAI △ 来自《珈百璃的堕落》 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,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,每张图耗时过1秒。 NGU前辈生成的画质,与Anime4K相,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: 需要实时给动画提升分辨率,还是只用Anime4K吧。 反正也已经开源了。 项目传送门: bloc97/Anime4K ​ github.com 图标 论文传送门: https://github.com/bloc97/Anime4K/blob/master/Preprint.md ​ github.com — 完 —

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值