身为一个编辑，除了文字工作这个主要的工作内容之外，经常还需要考虑一个很重要的问题：插图。

全是文字的文章肯定没有图文形式的文章抓人眼球，更别提这个视频当道的年代了，因此每次撰写文章的时候，笔者都要在无版权图片网站精挑细选，让图片和文章主旨契合，并且最好是高分辨率的图像。

但意外也总是有的，有的时候遇到了分辨率不足但偏偏最适合的图像，就很让人苦恼了，直接将低分辨率图像插入文章中，会很明显地感觉到视觉上的不舒适，虽然现在PS甚至是Windows自带的画图工具都能修改图片分辨率，但强行拉伸的结果只会是：图片非常糊。

可以看到，在进行图片拉伸后，图片边缘已经出现了明显的毛刺感。

那有没有什么方法能够让图片无损放大呢？

别说，还真有，这个来自GitHub的项目“waifu2x”就能做到。

项目地址为https://github.com/nagadomi/waifu2x，有兴趣的朋友可以研究一下，网页版地址为http://waifu2x.udp.jp/。

闲话少说，这里直接放使用waifu2x和普通拉伸图片后的对比（左侧为拉伸，右侧为使用waifu2x的效果）。

可以看到，使用waifu2x放大图片后，“5G”边缘的毛刺感不再明显，虽然部分区域还存在噪点问题，但整体上来说，比直接拉伸的效果要好太多。

那为什么waifu2x可以做到无损放大图片呢？这是因为waifu2x使用了名为SR-CNN的卷积算法，传统意义上来说，图像超分辨率问题研究的是在输入一张低分辨率图像时（LR），如何得到一张高分辨率图像（HR）。

传统的图像插值算法可以在某种程度上获得这种效果，比如最近邻插值、双线性插值和双三次插值等，但是这些算法获得的高分辨率图像效果并不理想。

SR-CNN是首个使用CNN结构（即基于深度学习）的端到端的超分辨率算法，它将整个算法流程用深度学习的方法实现了，并且效果比传统多模块集成的方法好。

SR-CNN流程如下:首先输入预处理。对输入的低分辨率LR图像使用bicubic算法进行放大，放大为目标尺寸。

那么接下来算法的目标就是将输入的比较模糊的LR图像，经过卷积网络的处理，得到超分辨率SR的图像，使它尽可能与原图的高分辨率HR图像相似。

与Bicubic、SC、NE+LLE、KK、ANR、A+这些超分算法相比，SR-CNN在大部分指标上都表现最好，且复原速度也在前列，且RGB通道联合训练效果最好，这就意味着相比照片，waifu2x在放大插画（你们最喜欢的二次元图片）时会更有优势。

关于SR-CNN卷积算法，可以到https://arxiv.org/abs/1501.00092了解更多详情。

那既然图片可以无损放大，视频呢？

结果当然也是可行的，不过这次用到的工具，叫做Topaz Gigapixel AI for Video，这个软件通过数千个视频进行培训，并结合来自多个输入视频帧的信息，通过真实的细节和运动一致性将视频放大至8K分辨率。

作为一个AI软件，它需要一台快速的计算机。推荐的系统配置是32 GB RAM加上具有6GB或更大显存的NVIDIA显卡。虽然也勉强能在旧电脑上跑，但速度会非常慢。

那Topaz Gigapixel AI for Video是如何做到放大视频的呢？其实在安装的时候，会发现这个软件会安装TensorFlow库和cuDNN库，所以很明显，该软件就是运用基于深度学习的卷积神经网络对每一帧进行处理,全程跑CUDA单元（要不然也不会这么慢了）。

熟悉显卡的老哥们都知道，显卡作为电脑主机里的一个重要组成部分，是电脑进行数模信号转换的设备，承担输出显示图形的任务。

显卡接在电脑主板上，它将电脑的数字信号转换成模拟信号让显示器显示出来，同时显卡还是有图像处理能力，可协助CPU工作，提高整体的运行速度。对于从事专业图形设计的人来说显卡非常重要。

民用和军用显卡图形芯片供应商主要包括AMD和NVIDIA两家（今年Intel也会加入乱战）。

GPU的构成相对简单，有数量众多的计算单元和超长的流水线，特别适合处理大量的类型统一的数据，例如矩阵乘法和加法，因此显卡在AI领域的应用也就变得十分广泛，CUDA是NVIDIA推出的只能用于自家GPU的并行计算框架。

只有安装这个框架才能够进行复杂的并行计算，主流的深度学习框架也都是基于CUDA进行GPU并行加速的，Tensorflow也不例外。

不过比较遗憾的是，Topaz Gigapixel AI for Video的售价还是比较贵的，接近200美元的价格可以劝退很多人了，但用来还原或者修复某些古老的影视作品还是相当有用的，现在能在B站搜索到的相当一部分【4K修复】视频，都是基于这个软件制作的。

现在想想，AI的出现确实解决了生活中的很多实际问题，如果没有卷积神经网络的高速发展，看到高清重制版的古老影视作品，可能只会存在于想象中。