神经网络还有另一种用法，那就是对图像进行增强

说到神经网络，你第一个想到的什么，有不少人第一个想到的应该是前段时间大火的换脸 APP“ZAO”，神经网络在图片领域堪称“魔法”的应用第一次展现在每一个普通用户面前。

不少用户在使用过ZAO后，对神经网络产生了“技术恐惧”，担心ZAO会对自己的肖像权产生侵害，ZAO也因为种种原因迅速下架，成为技术应用的“负面典型”。

但神经网络还有另一种用法，那就是对图像进行增强。

神经网络翻新老电影

最近，国外一个YouTuber发布了通过神经网络增强的1895年拍摄的纪录片《火车进站》，整部电影只有45秒长度，由路易·卢米埃和奥古斯特·卢米埃拍摄于法国一沿海城市。

传说放映到火车驶向镜头的时候，大量观众惊恐的从剧院跑出，展现了当时人们对新技术的好奇和恐惧。当然，这些往事都已经成为了都市传说。

不过由“新技术”的神经网络对这部电影进行翻新，也有着深远的意义。

1895年拍摄的《火车进站》采用35mm格式胶片制作，由于当时的放映机由手摇进行驱动，我们可以粗略的认为其原始帧率在16帧到24帧之间。

由于当时的胶片技术尚未成熟，我们可以看到画面景物都是比较模糊的，火车在驶来的同时还带有明显的拖影。

但经过了神经网络的画面分辨率增强和插帧之后，这部老电影获得了4K ~ 60fps的画质。如果不是电影黑白的画面和胶片电影独有的画面抖动，画面流畅度和清晰度几乎可以与现在的智能手机相媲美。

是什么让神经网络在图像增强和插帧上有着这样的效果呢？

我们知道，数字视频的清晰度一般由分辨率和帧率决定（暂且不考虑影响图像压缩质量的码率）。神经网络对视频的增强，也主要集中在这两种参数上。

分辨率增强

首先我们来谈谈分辨率增强，想要将一张低分辨率的图片变成高分辨率的图片，我们就需要猜测放大产生的未知像素。通常情况下，我们会采用某种插值算法进行计算，在图像边缘的模糊和锯齿间获得平衡，这种计算通常无法增加图像细节，即使放大了图像，依旧显得很模糊。

神经网络在增强分辨率上就有着独到的优势，或许你之前曾经听说过一个软件waifu2x ，动漫爱好者们经常用它来放大动漫插图。当然，它同样可以用作照片放大。

waifu2x的核心方法就是通过机器学习，训练一个端到端的网络，使用低分辨率的图像作为输入得到对应的高分辨率结果图像，最后得到的结果在图像的锯齿与模糊程度有较好表现，其训练的原理类似于FCN模型。

在效果上，waifu2x的SRCNN（超分辨率卷积神经网络）要好于传统的双三次插值算法。

当然，waifu2x的算法仅能在静态图片上使用。不过方法都是相同的，madvr 中放大视频分辨率的ngu算法也是类似的原理。

视频插帧

对于视频插帧来说，神经网络也有自己的用武之地，之前英伟达发布了一个叫做Super SloMo的神经网络，能通过联合建模的运动解释和遮挡推理配合光流算法生成中间帧。

这种技术能将原本30帧的视频放慢到240帧，并在其中添加画面的运动细节。

华为Mate 30 Pro的7680帧慢动作，也是通过神经网络对1080P/960fps 的视频插帧生成的。可见类似的神经网络插帧算法确实有很高的使用价值。

写在最后：技术是一把双刃剑

可以看到，神经网络对图像的处理（也就是常说的AI图像）并不是一个很可怕技术，它是一把双刃剑，如果你用它来给视频换脸，侵犯他人肖像权，它就是不好的技术。

但如果我们能将其用在老电影翻新、手机超级慢动作、和实时视频增强，那它就是好技术。

或许那位翻新《火车进站》的YouTuber，也正是想用这部电影的传奇故事告诉我们，“不要恐惧新技术的到来。”