近日，小米舉辦號稱“史上最多重磅新品齊首發(fā)”的發(fā)布會。會上，包括小米8、MIUI10等在內(nèi)的一系列重磅新品正式亮相。其中，有著“國產(chǎn)良心系統(tǒng)”之稱的MIUI10尤其引人關注，作為小米此次發(fā)布會最先登場的新一代手機系統(tǒng)，MIUI10以“全面屏”為核心設計，針對全面屏操作進行了全方位支持和優(yōu)化，同時全面應用AI，不但能夠幫助用戶輕松搞定復雜的操作，而且能夠帶給用戶更好的高清畫質體驗。接下來，我們就一起探尋MIUI10背后的高清畫質“神器”。

KIE：將圖片變清晰的“神器”

這種將圖片變清晰的“神器”，就是KIE(Kingsoft Image &AI Enhancement)。KIE是金山云近期推出的基于AI技術的畫質增強產(chǎn)品，將其應用于移動終端或圖片傳輸中，可為用戶帶來超清的圖像視覺體驗，或者節(jié)省3/4的圖片傳輸帶寬成本。

小米MIUI官網(wǎng)對于KIE的介紹

隨著移動終端特別是手機分辨率的不斷上升，更高分辨率圖片的需求也與日俱增，這是因為低分辨率的圖片，如果放到高分辨率的屏幕下，就會讓視覺效果變得很差。如果720P的圖片放在1080P的屏幕上，就會出現(xiàn)這樣的問題。

高分辨率屏幕下顯示低質量圖片，會讓視覺效果變差

而傳統(tǒng)的解決方案——插值算法，包括雙線性插值和臨近插值，但這種方法往往會導致邊緣出現(xiàn)鋸齒、模糊等問題，將大幅降低圖片的視覺效果。金山云KIE則基于人工智能技術，對圖像重建使其高清放大，適配更高清的屏幕，同時對畫面的馬賽克、毛刺區(qū)域進行修復，提升圖片視覺效果。

采用KIE畫質增強功能的圖片效果對比

采用KIE畫質增強功能的圖片效果對比

KIE的秘密武器：超分和修復

KIE是如何做到這些的呢?原來，它有兩種秘密武器——KIE包含超分辨率(以下簡稱“超分”)和修復兩種技術，在深度卷積神經(jīng)網(wǎng)絡上，KIE的超分模型構建了一個七層的網(wǎng)絡，能夠有效提升圖片質量，解除圖片超分時模糊、紋理不清晰等問題。深度卷積神經(jīng)網(wǎng)絡可依據(jù)圖片重建細節(jié)，實現(xiàn)清晰度遠超原圖的效果。KIE在網(wǎng)絡結構、模型訓練上進行了大量的探索和嘗試，實現(xiàn)了優(yōu)秀的圖像超分和去噪效果。

采用KIE畫質增強功能的圖片效果對比

細節(jié)對比

KIE三倍圖片放大效果對比

首先，在網(wǎng)絡結構上，KIE采用了Mobile Net V2構造高效的網(wǎng)絡模型。KIE結合殘差學習思想，有效減少學習難度，采用跨層密集連接結構，利于梯度傳播，使得深度網(wǎng)絡在更短的時間內(nèi)學習到更好的模型。采用金字塔結構，使得底層的特征和頂層的特征能夠更有效融合。此外，在訓練loss上，模型采用SSIM、圖像內(nèi)容損失等，讓圖片生成更加銳利的細節(jié)。

KIE采用金字塔結構，使得底層的特征和頂層的特征能夠更有效結合

第二，在模型的訓練上，KIE收集了30萬張高清圖片，確保內(nèi)容豐富，采用多種方法模擬真實網(wǎng)絡圖片的生成過程，從而保證模型在推斷時達到更好的效果，能夠適應絕大部分網(wǎng)絡圖片，確保學習的全面性。同時進行數(shù)據(jù)混合，將不同大小倍數(shù)的圖像混合在一起訓練，從而支持不同倍數(shù)圖片的高清化。

KIE的殘差學習結構：加快訓練速度并提高圖像質量

針對在YUV三通道圖像中，人眼對Y通道中最為敏感的特點，KIE針對Y通道和UV通道分別采用不同網(wǎng)絡，其中Y通道復雜度高于UV通道的復雜度，在保證人眼質量的情況下，加快了訓練和推斷速度。

KIE針對微信、今日頭條等主流網(wǎng)絡圖片聚集地進行調研，發(fā)現(xiàn)很多分辨率較小的圖片，如果與目前主流的移動終端進行匹配，需要放大三倍，這意味著需要對圖片的更多細節(jié)予以處理，因此難度更大。KIE以經(jīng)過訓練的3X網(wǎng)絡對圖片進行處理，經(jīng)過卷積網(wǎng)絡的學習和增強，最終提升了圖片的質量。

KIE的應用場景

目前，KIE以SDK形式集成到各種應用場景中，包括各類手機廠商系統(tǒng)、超級APP應用、瀏覽器等。在同等主觀質量下，KIE具有SDK體積小、推斷速度快和內(nèi)存占用少的特點，且能夠適應多種平臺。

在底層優(yōu)化上，KIE采用模型壓縮和量化技術，有效減少SDK的大小和推斷速度。并且，采用金山云AI團隊構建的高效的深度神經(jīng)網(wǎng)絡實現(xiàn)，在CPU上的推斷速度達到了Google tensorlite的二到三倍，內(nèi)存消耗也大大減少，為KIE的技術推廣奠定了基礎。

同時，KIE具有強大的跨平臺特性，目前支持Android、iOS、PC平臺和WEB端，接口簡單快速接入。可在終端上實時處理，與解碼器完全解耦，圖片在移動終端上能夠達到毫秒級響應，全面提升用戶的瀏覽體驗。

名詞解釋：

MobileNetV2：是對MobileNetV1的改進，是一個輕量化卷積神經(jīng)網(wǎng)絡。

SSIM：SSIM(structuralsimilarityindex)，結構相似性，是一種衡量兩幅圖像相似度的指標。該指標首先由德州大學奧斯丁分校的圖像和視頻工程實驗室(Laboratory for Image and Video Engineering)提出。SSIM使用的兩張圖像中，一張為未經(jīng)壓縮的無失真圖像，另一張為失真后的圖像。

Google tensorlite：即TensorFlow Lite，Google稱Lite版本TensorFlow是TensorFlow Mobile的一個延伸版本。盡管是一個輕量級版本，依然是在智能手機和嵌入式設備上部署深度學習的一大動作。此前，通過TensorFlow Mobile API，TensorFlow已經(jīng)支持手機上的模型嵌入式部署。TensorFlow Lite應該被視為TensorFlow Mobile的升級版。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。