渣画质秒变高清，asc19大学生的人工智能水平这么厉害！
将模糊到仅能看出五官轮廓的人脸照片，通过人工智能算法还原成清晰可辨的高清图像，并且要保证还原后的图像与原图相比不能失真过大……这是日前在大连举行的asc19世界大学生超级计算机竞赛总决赛中，来自各国的20所高校参赛队伍的大学生们要解决的人工智能难题facesr（face super-resolution），即人脸图像超分辨率。这20支队伍是通过激烈的预赛从全球300余支报名队伍成功晋级，他们需要在总决赛现场各自组装功耗不超过3000w的超级计算机，现场运行比拼各项挑战性的尖端科学难题，而人脸超分辨率就是本次大赛的人工智能赛题。
人脸图像超分辨率是一个火热的研究领域，特别是随着生成式对抗网络gan的崛起，facesr取得了前所未有的快速发展。gan类似于武侠小说中的绝世神功“左右互搏”，利用两个ai模型来进行“人工智能”间的对抗：一个ai模型负责重建图像，另一个ai模型负责判断图像的真实度，这种网络对抗模型极大的减少了人为干预，能够快速训练出高精度ai模型，使得facesr能够广泛应用于警务安防、压缩图像／视频增强及其他应用领域。
那么facesr到底能做什么呢？让手机拍摄出媲美专业数码单反相机的高质量照片是facesr技术更加贴近生活的重要应用场景，这使得手机照片在放大后仍能保持细节的清晰可辨；把一般的ntsc格式低清电视信号转换为高清电视信号而不失真地在hdtv上播放，是facesr技术另外一个重要而迫切的应用场景；通过facesr技术处理可以提升老旧片源清晰度，让经典电影、电视剧、游戏、mv以高清制式“重生”，带来新的怀旧体验。另外，利用facesr技术放大视频或拍照场景中的目标如汽车牌照、人物细节等，对于各项公共安全保障措施也有极大的帮助。
asc19人脸超分辨率挑战“不可能完成任务” face sr是asc19初赛赛题单张图像超分辨率（single image super-resolution）的升级版。初赛中，选手们须基于pytorch框架自行设计并训练ai模型，将80张模糊不清的图像进行4倍分辨率还原。重构效果的衡量指标为感知因子pi（perceptual index），队员们在还原图片时需要充分考虑肉眼观察清晰度。
总决赛则提供了300张分辨率为24x28的低清人脸图片，要求参赛队伍对这些图片进行4x超分辨率还原，并计算人脸特征相似性。同时本次竞赛也提供了300张风格类似的图片用于参赛队伍自行验证模型的重构效果。这些低清图片和原始图片的人脸特征相似度在0.55左右，相当于低清人脸图片中仅包含了55%左右的人脸特征信息。
要想了解这次挑战有多难，必须要先知道24x28的低清图片对于人脸超分辨率意味着什么？已有的研究结果表明人脸图片的分辨率至少需要在32x32到64x64之间，才能保证人脸识别的准确性（l
yochai blau等发表于cvpr 2018年的文章（the perception-distortion tradeoff）对上述反常现象给出了理论解释，即对于图像超分辨率算法来说，其和hr图片相比引入的畸变越小，即和hr图片的rmse（root mean square error）越小，则肉眼感知（perception）的sr图片清晰度越差。因此，为了更好的感知清晰度，牺牲一定的sr/hr图片之间的相似度在所难免。
图片来源，l
为了更好的衡量sr图片的感知清晰度，即肉眼观察到的sr图片的清晰程度，pirm 2018（l）图片超分辨率竞赛引入了感知因子pi（perceptual index）的概念。
pi由两个参数ma和niqe综合给出，这两个参数的计算都不需要参照hr图片和lr图片，即sr图片感知因子的计算不需要参照原始高清图片和低清图片。所以为了防止超清算法给出的sr图片和原始hr图片之间的偏差太大，一般会限制两者之间的rmse不能超过一定的范围，否则sr图片相对于原始hr图片就存在一定程度的失真。举一个夸张的例子，如果没有rmse的约束，超分辨率算法可能会把一只低清的猫变成一只超分辨率的狗。
asc19初赛中的sr超分辨率赛题使用了pi值作为衡量超分效果的判别依据。

---