近年来，AI 算法/机器学习被广泛提及，被运用到各个领域。
以 Photoshop 为例，近年来不断引进 AI 算法来优化图片处理的进程。包含另一款图画处理软件Pixelmator Pro，也将机器学习算法作为主打卖点，在其最新的更新中引进了 ML Super Resolution（依据机器学习的超分辨率）功用，听起来有点玄乎，其实可以认为是图片无损扩大吧。
官解 ML Super Resolution
在 Pixelmator Pro 的官方博客中也详细的介绍了 ML Super Resolution 的原理，运用机器学习的方法辨认图画内容的边际、图画以及纹路，再依据已有的数据集和很多的练习模型来从头创立图片细节。
一般低分辨率图画中会存在较显着的图画伪影和噪点，也就让人在视觉上发生很含糊、马赛克的状况。要尽或许做到无损扩大的话，这些搅扰要素不应该和图画的实践内容一同扩大，乃至最好是能将其删去。
博客中对该功用的技能原理以及卷积神经网络的运用做了详细的分析，有爱好的可以自行查阅。
ML Super Resolution无损扩大作用实测
一般在哪些场合会用到无损扩大呢？笔者想了想，就个人是用来看，通常是两种状况：
方针图片分辨率较小，直接扩大会变得更含糊
方针图片分辨率或许适宜，但图片清晰度不行，可通过无损扩大功用做降噪处理（可设为100%扩大，仅降噪）
在 Pixelmator Pro 菜单栏中进入“图画-图画巨细”，就会看到有四种处理方法，除了新增的 ML Super Resolution之外，还有 Bilinear、Lanczos、Nearest Neighbor。
先来看看 ML Super Resolution 终究有多少法力？
以柯南这个图为例，原图分辨率为 303*428，用 ML Super Resolution 扩大到 1000*1413 分辨率。
比照下来，扩大之后的清晰度显着提高。不过，卡通画线条比较单一，机器算法处理起来会十分简略，一般也能到达比较好的作用。
再用一张实物图来作简略比照，这张早餐图原图分辨率为 960*640，用 ML Super Resolution 扩大到 3000*2000。
处理之后，全体画面的细腻程度提高显着（尽量检查原图比照），部分扩大比照之后会愈加显着。
相同是通过算法处理，ML Super Resolution 的图画处理结果归纳本质上显着优于其它三种方法，这或许便是卷积神经网络的优势吧。
关于机器算法问题，其处理结果是否抱负，很大程度上取决于练习模型，若触摸的数据量越大，其处理结果则会越精准。ML Super Resolution 的确发挥出了大数据学习的优势，但笔者也不敢说这种算法处理任何图片都能到达相同的程度，究竟总有一些图画元素是在其练习模型中比较少触摸乃至没遇到过的。
关于 waifu2x 和 ML Super Resolution
看到这儿，必定有很多人早就憋不住想提 waifu2x。相同是运用卷积神经网络完成图片无损扩大的东西。某些特定的程度上，ML Super Resolution和waifu2x 有十分高的类似度，差异更多在于练习模型以及其他辅佐算法。
不过 waifu2x 默许只要 1.6 倍和 2 倍扩大，ML Super Resolution 则可以自行选择分辨率。
笔者做了个简略的测验，以常用作自己头像的相同 400*400 的图为例，别离运用 ML Super Resolution 和 waifu2x扩大两倍到 800*800。在 waifu2x 勾选中等降噪之后发现，生成的图片画面纯净度显着好于 ML Super Resolution 处理结果。
Pixelmator Pro 自身也自带 ML 降噪功用，通过一次降噪处理后，所扩大的图片与 waifu2x 生成画面纯净度简直共同了。
在笔者看来，这种所谓的降噪功用是在献身原有的画面细节的前提下做到的，更适合漫画、插画这一类图画处理。当然其他状况也可以视状况而定。
选用卷积神经网络技能，ML Super Resolution 和 waifu2x 都能做到较好的图片无损扩大。
waifu2x 网页即可用，降噪可选，运用会愈加简便
而 Pixelmator Pro 则具有 ML Super Resolution、ML 降噪等机器算法功用，可以完成更大自由度的无损扩大，从而能到达更好的观感作用，更适合已购买 Pixelmator Pro 软件的用户运用。
跋文
当然本文的测验选择的样本不多，并不能确保读者在实践运用中都能到达这样的作用，再加上图片上传之后或许会有不同程度的紧缩，因而本文仅供给一种现在可行的无损扩大的一种途径，详细作用还是以实践为准。
