Anime4K算法
写在前面：Anime4K算法已经出来两年了，在去年经历一次大更新后，现在的Anime4K-V3已经和原来有了很大不同。一个是V3版本里的算法已经结合了CNN（事实上在很早之前作者就说要结合机器学习算法，在性能和时间上寻求一个tradeoff），不过只给出了卷积权重没给训练流程。另一个是V3版本目前是只有用GLSL写的（说穿了就是我读不懂），而且也不像之前，连个论文的preprint也没有（可能是实在吵不动懒得发了？）。所以接下来讲的是最原始版本的Anime4K，这个版本也就是作者所说没有任何机器学习/深度学习方法的版本，对应的代码是github里V1.0里的java代码。
github地址：https://github.com/bloc97/Anime4K/tree/v1.0-RC
作者对二次元图像的假设认为，高质量的二次元图像有大量大面积的平坦区域（一整个区域的颜色都一样或者变化很小），这一点不同于三次元图像，因此这是一个针对于二次元图像的超分算法，不能拿来用在三次元上。
首先先介绍一下论文的理念。作者通过对比观察同一分辨率下的模糊和清晰图像，认为清晰的图像具有较细（指在图像中占据的区域小）的边缘（其实在这里说的是梯度），而模糊图像的边缘较粗。下图是一个具体的展示。
由于论文是预印版，没有详细的描述算法的实现过程，因此要从代码中进行解读。参考其代码，可以发现整个算法的核心有两个步骤：deblur和grad_refine。
首先，算法先要从原始图像中计算一张亮度图用于后面的处理。不同于普通的Y通道，这里的亮度图是按照 ( b + 3 ∗ g + 2 ∗ r ) / 6 (b+3*g+2*r)/6 (b+3∗g+2∗r)/6计算出来的，bgr分别是原始图像中的三通道。
condition
接着要做deblur操作，而deblur的操作要做一组很有趣的判断，而且这组判断在之后的grad_refine里也要用到。具体看下图，共有八种，可以看做是第一种不停旋转得到其他七种，中心就是当前要计算处像素的位置。
每次判断，都是判断绿色中最小的数是否比红色中最大的数要大，如果绿色中最小的数大就是true，反之就是true（后面的grad_refine也是这组判断）。
deblur
好了，知道判断是什么了，就可以说明deblur的步骤了。对图像中任意一点(x,y)，在它的亮度图中进行上述8次判断，如果某次判断中为false，那么按下面计算：
m e a n b = ( r e d 1 b + r e d 2 b + r e d 3 b ) / 3 mean_b=(red_{1b}+red_{2b}+red_{3b})/3 meanb=(red1b+red2b+red3b)/3
m e a n g = ( r e d 1 g + r e d 2 g + r e d 3 g ) / 3 mean_g=(red_{1g}+red_{2g}+red_{3g})/3 meang=(red1g+red2g+red3g)/3
m e a n r = ( r e d 1 r + r e d 2 r + r e d 3 r ) / 3 mean_r=(red_{1r}+red_{2r}+red_{3r})/3 meanr=(red1r+red2r+
最低0.47元/天 解锁文章
8704
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
