相信你可能看过一些展现未来科技的科幻电影或者电视节目。在这些电影或电视节目中，主角会要求放大一些图像，增强显示效果：清晰显示人脸、车牌或其他任何关键细节。现实中，谷歌最新的人工智能引擎，基于众所周知的扩散模型，可以做到这一点。
事实上，这是一个很难掌握的过程，因为本质上发生的是一些基于其他类似图像的超智能猜测添加(补充)了相机一开始没有捕捉到的图像细节。
这项技术被谷歌称为“自然图像合成”，在这种特殊情况下，被称为图像超分辨率。你从一张小的、块状的、像素化的照片开始，最后得到一张清晰、锐利、自然的照片。它可能与原始图片不完全相同，但对于人眼来说，它足够接近现实。
谷歌实际上已经为这项工作推出了两个新的人工智能工具。第一种叫做SR3，即通过反复细化实现超分辨率。它的工作原理是在图像中加入噪声或不可预测性，然后反转过程将其删除3354，就像图像编辑器试图让你的度假照片更清晰一样。
谷歌的研究科学家和软件工程师解释说：“扩散模型通过逐渐加入高斯噪声来破坏训练数据，慢慢消除数据中的细节，直到变成纯噪声，然后训练神经网络来逆转这种破坏过程。”
基于一系列巨大的图像数据库和机器学习的一些神奇的概率计算，SR3可以想象出块状低分辨率图像的全分辨率版本是什么样子。
第二个工具是CDM，即级联扩散模型。谷歌将这些描述为“管道”，通过管道可以引导扩散模型(包括SR3)升级高质量图像的分辨率。它使用了增强的模型，并从中获得了更大的图像，谷歌也发表了一篇关于这方面的论文。
上图：动画展示了CDM方法的原理。
谷歌表示，通过在不同分辨率下使用不同的增强模型，CDM方法可以击败其他放大图像的方法。新的人工智能引擎已经在ImageNet上进行了测试，ImageNet是一个巨大的训练图像数据库，通常用于视觉对象识别的研究。
SR3和CDM的最终测试结果令人印象深刻。在一项由50名志愿者参与的标准测试中，SR3生成的人脸图像被误认为真实照片的概率为50%。考虑到一个完美的算法有望达到50%的分数，这是令人印象深刻的。
值得重申的是，这些增强后的图像与原始图像并不完全匹配，而是基于高级概率数学精心计算的一些模拟。
谷歌表示，扩散方法比其他选择产生更好的结果。包括生成对抗网络(GAN)，其原理是使两个神经网络相互竞争以提高结果。
谷歌从其新的人工智能引擎和相关技术中获得了更多希望。这不仅适用于放大人脸和其他自然物体的图像，也适用于概率建模的其他领域。
该团队表示：“我们非常乐意进一步测试扩散模型的极限，以解决各种代建模问题。”
如果朋友喜欢，请注意“知新”！