探尋小米MIUI10超清畫質體驗背后的黑科技

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等在內的一系列重磅新品正式亮相。其中，有著“國產良心系統(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，在深度卷積神經網絡上，KIE的超分模型構建了一個七層的網絡，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。深度卷積神經網絡可依據(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，在網絡結構上，KIE采用了Mobile Net V2構造高效的網絡模型。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，使得深度網絡在更短的時間內學習到更好的模型。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，確保內容豐富，采用多種方法模擬真實網絡圖片的生成過程，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以經過訓練的3X網絡對圖片進行處理，經過卷積網絡的學習和增強，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網絡實現(xiàn)，在CPU上的推斷速度達到了Google tensorlite的二到三倍，內存消耗也大大減少，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?？稍诮K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網絡。

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：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網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站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網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，溝通刪除相關內容或斷開相關鏈接。