有個名叫Anime4K的開源演算法，能在動畫播放中，即時把畫面變成4k，延時低至3毫秒。能把720p/1080p變成2160p，也能把480p變成1080p。
看動畫的時候，總會覺得畫質不夠好，就算已經有1080p，還是會感到不夠清晰。
所以，這個世界十分需要一套拯救解析度的魔法。
如今，有個名叫Anime4K的開源演算法，能在動畫播放中，即時把畫面變成4k，延時低至3毫秒。
能把720p/1080p變成2160p，也能把480p變成1080p。
團隊說，這是當下最強 （State-of-the-Art）的動畫即時超解析度成像方法，可以拿任何編程語言實現。
現在，項目已經在GitHub摘下3700多顆星，並一度登上了趨勢榜。
那麼，這個演算法究竟是如何造福人類的？
只做動畫
團隊在論文裡感慨道：
傳統超解析度成像演算法（如Bicubic） ，結果不怎麼好，因為它們根本不是為了動畫而生的。
傳統的去模糊（Unblurring）或銳化（Sharpening）方式，在靠近物體邊緣的時候會發生過衝 （Overshoot） ，分散觀眾注意力，降低圖像的感知品質（Perceptual Quality） 。
而機器學習方法（如waifu2x）又太慢，完全不能即時（<30毫秒） ，尤其是需要超高解析的時候。
而Anime4K，只處理動畫就夠了，不考慮其他影片類型。這一點很重要。
動畫沒有真實影片那麼多紋理（Textures） ，基本都是用平直著色法（Flat Shading） 處理的物體和線條。
只要畫質變好一點點，觀眾也看得出。所以團隊機智地想到，不用做整張的畫質提升，專注於細化邊緣就可以了，紋理之類的細節不重要。
具體怎樣做，要從超解析度成像的原理開始講：
首先，一張圖可以分為兩部分：
一是低頻分量，就是一張模糊的低解析度圖。二是高頻殘差，代表兩種解析度之間的差別（Difference） 。
輸入一張低解析度圖，把它變成一個更低解析度的版本，就能得出一個殘差。
把殘差變薄 （Thin） 、銳化 （Sharpen） ，再加到低解析度圖上，就能得到一張高解析度圖。
但殘差稍稍有點錯誤，就會造成振鈴和過衝，影響效果。這也是前輩的缺陷所在。
於是，團隊找到了一種新方法：
首先把殘差厚度最小化當做目標，這個沒有問題。
但直接把隨意變換（Arbitrarily Transformed）得到的殘差，用到一張低解析度圖上是不行的。低解析度圖要做出相應改變，才能與殘差和平相處，得出理想的超解析度成像結果。
所以，當輸入一張圖和它的殘差之後，「push」殘差的像素，讓殘差線變細；
同時，每做一個push，都要在彩色的低解析度圖上，執行一個相同的操作。
這樣，既能把模糊最小化，也不會出現振鈴和過衝，這兩個降低畫質的現象。
比一比吧
這場比賽，Anime4K （最右）的對手有：來自madVR的不開源演算法NGU前輩（左二） ，以及開源的機器學習演算法waifu2x前輩（左三） 。
第一題，眼睛：
第二題，耳朵：
第三題，手：
第四題，全臉：
waifu2x前輩的效果，明顯不及Anime4K，常見虛影。速度也有明顯缺陷，每張圖耗時超過1秒。
NGU前輩生成的畫質，與Anime4K相近，但也常常被Anime4K打敗。
不止如此，NGU每張耗時~6毫秒，Anime4K只要~3毫秒，快了一倍，更加適應即時生成的需求了。
效果相近的話，為啥不直接用NGU？因為不開源。
如果，你覺得720p/1080p的動畫，沒必要變成4K這麼奢侈，那還可以把480p拯救到1080p啊：
依然，Anime4K和沒開源的NGU不相上下。
最後，儘管已經獲得了精湛的畫質提陞技能，團隊也沒有就此拋棄機器學習的力量。
因為在拯救靜止畫作（而非動畫）的時候，Anime4K的短板顯現了。這時候，讓機器學習選手waifu2x和它並肩作戰，更加成功一些：
需要即時為動畫提升解析度，還是只用Anime4K吧。
反正也已經開源了。
(⊙ˍ⊙)