компания Robin Video использует Super Resolution для улучшения качества изображения в облачном видеонаблюдении, чтобы клиенты использовали более простые и дешёвые камеры с сохранением качества картинки
Надеюсь, без нейросетей? Будет не очень хорошо, если на видеозаписи преступления вдруг окажется «додуманный» нейросетью номер машины или лицо человека (как у копировальных аппаратов, которые при сохранении в формат JBIG2 подменяли «похожие» цифры).
Ну-с, не должны же фото с обработкой, пусть и мега заточенным инструментом под улучшение изображения, допускаться в суд, заяву, официальный документ в качестве доказательства. Для того что бы такое вошло в обиход нужны стандарты, изучить процент погрешности и т.д.
Никаких jpeg, только raw?
Спасибо за ссылку, захватывающая история конечно!
Ага, типичная ошибка. Алгоритмы повышения разрешения изображений не способны восстановить информацию, которая была потеряна из-за хреновой камеры. Зато они могут сделать изображение приятным человеческому глазу.

Есть ещё технология многокадрового супер-разрешения (раньше, кстати, под Super-Resolution понимали только многокадровый подход, потом термин исказился) — там за счёт игр с алиасингом можно вытащить реальную высокочастотную информацию из видеопоследовательности. Но есть жёсткое ограничение: только grayscale камеры и применение алгоритмов супер-разрешения до компрессии, т.к. компрессия за счёт разностного кодирования уничтожает дополнительную информацию для восстановления данных.
Чем это отличается от низкочастотного фильтра?

Низкочастотный фильтр аппроксимирует сигнал — изображение на основе проекции в линейное ортогональное пространство (обобщённо говоря). Описанный в статье метод является НЕЛИНЕЙНЫМ поиском подобия с принятием разностного решения нейронной сетью. Я работал с подобной технологией на основе фрактальных преобразований — там так-же требуется установить подобие, но уже глобальное — для всего изображения — можете ознакомиться с постом: https://habr.com/post/309906/

А уже есть нейросети, чтобы убирать водяные знаки с фотографий?
Да, как раз в статье [2] описана архитектура такой сети.
А есть ли в публичном доступе реализация какого-нибудь из подобных методов? Хотелось бы помучать и посмотреть, что оно даёт на реальных картинках.
Сам задался этим вопросом, из того что нашел — waifu2x.
Работает, кстати, неплохо, но если увеличивать изображение несколько раз, то оно будет «замылено» (что, в общем-то, ожидаемо).

тоже поискал по ключевым словам… нашёл другие две ссылки (пока не проверял) srgan и super_resolution

кстати, нашёл что-то похожее на методику из 2-й статьи. Для меня пока сложновато в этом разобраться. Если кто-то запустит, поделитесь впечатлением)

Да, код SRCNN доступен на странице авторов:
mmlab.ie.cuhk.edu.hk/projects/SRCNN.html

Если хочется просто запустить exe, то имеется моя собственная реализация на C++ (n1 = 64, n2 = 32), в демо-версии работа только с grayscale:
imaging.cs.msu.ru/en/soft
demo.exe resample -method srcnn in.png out.png

Когда начнут пираты обрабатывать старые рисованные мультики, чтобы увеличить разрешение для них?
Так? Больше материалов. Работа.
Конечно это совсем не про улучшение рисованных мультиков, а про увеличение и депикселизацию пиксельарта. Но в обоих случаях ответ одинаков — никому не нужно.
Так а торренты?!!! где торренты ?:)
А вот когда начнут обрабатывать старую душевную порнуху с VHS?
Часто на дешевых камерах только охранник может понять достоверно кто это был:).
Получится примерно так?
image
У меня дешевый тепловизор использует «улучшение» термократины чтобы изображение имело большее разрешение. Очень красивые картинки. И он видит то, чего нет. В первую очередь градиент там, где его быть не может.
Убил бы тех, кто придумал такое улучшение. Один вопрос — НАХРЕНА????

Интересно было бы попробовать для старых фоток метод из 2-й статьи "восстановление испорченных изображений". Конечно, без специальных знаний в оригиналах статей разобраться очень сложно. Интересно, есть ли такое открытое решение? На github нашёл пока пару решений просто для "super resolution"

Сплошная вода, уже 10 лет такие «анонсы» вижу, где реальные инструменты? Где реальный анализ видеопоследовательности, а не одного кадра? Где ссылки на опыт яндекса и его реставрированные фильмы?
Кстати, платынй Lets Enhance похоже основан на этом SRGAN и NTIRE2017.
medium.com/machine-learning-world/how-to-replicate-lets-enhance-service-without-even-coding-3b6b31b0fa2e

И ещё одна интересная штука от Дмитрия Ульянова — github.com/DmitryUlyanov/deep-image-prior
Только полноправные пользователи могут оставлять комментарии.
Войдите, пожалуйста.