這就是弄演算法層面解決演算法層面問題
關注前沿科技 量子位 今天
景色很好看，可是手機相機解析度太低，照不出清晰的**？
沒關係，試試這個超解析度演算法，讓ai「自動」幫你調整解析度。
經過演算法調整後，**幾乎立刻就清晰了數倍，連角落裡模糊的文字都看得清：
這是來自谷歌的乙個手機超解析度演算法，此前登上過siggraph 2019頂會，闡述的是自家手機pixel 3中使用的超分技術。
現在，這個演算法確實被復現了出來，然而，方法卻與**不全一致（復現的作者michael kunz認為，**有些地方寫錯了）。
來看看這是怎麼回事。
**中，這個用手機實現超解析度的原理，是這樣的：
在用手機拍照的過程中，手部會出現輕微的震顫。
△手抖示例
這導致在連續拍攝同一景象的過程中，每張**都會有乙個微小的偏移量，這些小偏移量，恰好能提供超解析度所需要的亞畫素資訊。
然後，將這些彼此之間略有差異的影象幀，進行對齊、融合，就可以得到一張每個畫素位置都有紅、綠、藍三通道值的影象。
具體演算法是這樣的：
首先，獲取多幀raw影象；然後，選擇其中一幀作為基準幀，其餘影象進行區域性對齊，並通過核回歸，估計每一幀對結果的區域性貢獻度；最後，分成rgb三種顏色通道，將貢獻進行疊加。
在訓練過程中，影象的區域性特徵會對核形狀進行調整，並對取樣值進行加權。
最後，對每個顏色通道進行歸一化，獲得最後的rgb影象。
整體來說，就是用多幀融合演算法，代替了去馬賽克的傳統超解析度演算法。
然而，聽起來非常完美的演算法，有人在復現的過程中，卻發現了一些問題。
專案的作者表示，在復現這篇**的過程中，發現了一些bug，但目前**原作者、發行方都還沒回應他。
再來看看這個演算法：
首先，在影象幀的獲取上，如果採用谷歌相機的單反模式進行拍攝，由於時間間隔較長，手部產生的「震顫」可能比想象得大，需要再通過全域性的預對齊來彌補缺陷。
然後，主要的問題出在b、c兩個步驟上。
第乙個不準確的問題，是具體採用的幀數。**表明「通過分析每個幀的區域性梯度結構張量，來計算核的協方差矩陣」，然而作者發現，對每一幀都這樣操作其實毫無意義。
作者放棄了像**所述那樣進行取樣，選擇了5×5而非3×3的核，並對梯度進行了高斯平滑，在全解析度下計算每個畫素的結構張量。
此外，則是步驟d的情況，經過長時間**的影象，包含許多低頻雜訊，使得精確跟蹤無法實現。因此，作者在跟蹤步驟前面還加入了乙個高通濾波器。
然而，**卻完全沒有提到「高通濾波器」這種東西。
到了步驟e和f，谷歌**的作者用了乙個專業術語「wiener shrinkage」 ，但這個術語在引用**中完全沒有出現，無法得知具體含義。
因此，復現的作者，只能根據自己的猜測，結合引用的**來復現。
其他還有一些細節上的錯誤，例如把公式搞錯了的情況也有發生：
好在，最後他還是將這篇**復現了出來：
而且做成了乙個完整的專案，來看看具體效果。
先來看看**中所展示的效果，看上去還是非常不錯的：
不僅噪點去除了不少，邊緣也很平滑，沒有放大後物體輪廓凸顯的稜角。
而且，看起來也比其他的**演算法要更好：
那麼，實際上覆現出來的效果如何呢？
整體好像不太看得出效果，放大一點試試：
單棟大樓的窗子確實清晰了不少，原本是模糊一片，現在幾乎能數得出數量了。
不過，相比於**中的效果，復現出來的實際結果，似乎並沒有那麼「完美」。
但用來拍攝風景，效果還挺好：
拍照如果手抖的話，可以將它裝到手機裡試一試了~
HashMap與衝突解決演算法
hash map是經常被使用的一種資料結構，而其實現方式也是多種多樣。如果要求我們使用盡可能簡單的方式實現hash map，具體該如何做呢？我們知道hash map最重要兩個概念是hash函式和衝突解決演算法。hash map鍵 值之間的對映關係，hash函式將鍵對映為記憶體位址，衝突解決演算法用於...
分治思想解決演算法問題
不多bb，o n 2 include using namespace std void solve int f 5000 int m cin m for int i 0 i m i cin a i f 0 0 for int i 1 i m i f i f i 1 sum cout f m 1 en...
約瑟夫環鏈表解決演算法
1.起源 據說著名猶太歷史學家 josephus有過以下的故事 在羅馬人占領喬塔帕特後，39 個猶太人與josephus及他的朋友躲到乙個洞中，39個猶太人決定寧願死也不要被敵人抓到，於是決定了乙個自殺方式，41個人排成乙個圓圈，由第1個人開始報數，每報數到第3人該人就必須自殺，然後再由下乙個重新報...