（示意圖/取自pixabay）
說到神經網路，你第一個想到的什麼，有不少人第一個想到的應該是前段時間很紅的換臉APP「ZAO」，神經網路在圖片領域堪稱「魔法」的應用程式，第一次展現在每一個普通用戶面前。
不少用戶在使用過ZAO後，對神經網路產生了「技術恐懼」，擔心ZAO會對自己的肖像權產生侵害，ZAO也因為種種原因迅速下架，成為技術應用的「負面典型」。
但神經網路還有另一種用法，那就是對圖像進行增強。
神經網路翻新老電影
最近，國外一個YouTuber發布了透過神經網路，增強1895年拍攝的紀錄片《火車進站》，整部電影只有45秒長度，由Louis Lumiere和Auguste Lumiere拍攝於法國的一個沿海城市。
傳說放映到火車駛向鏡頭的時候，大量觀眾驚恐的跑出劇院，展現出當時人們對新技術的好奇和恐懼。當然，這些往事都已經成為了都市傳說。
不過由「新技術」的神經網路對這部電影進行翻新，也有著深遠的意義。
1895年拍攝的《火車進站》，採用35mm格式膠片製作，由於當時的放映機由手搖進行驅動，我們可以粗略的認為，其原始幀率在16幀到24幀之間。
由於當時的膠片技術尚未成熟，我們可以看到畫面景物都是比較模糊的，火車在駛來的同時還帶有明顯的拖影。
但經過了神經網路的畫面分辨率增強和插幀之後，這部老電影獲得了4K～60fps的畫質。如果不是電影黑白的畫面和膠片電影獨有的畫面抖動，畫面流暢度和清晰度，幾乎可以與現在的智慧型手機相媲美。
是什麼讓神經網路在圖像增強和插幀上，有著這樣的效果呢？
我們知道，數位影片的清晰度，一般由分辨率和幀率決定（暫且不考慮影響圖像壓縮品質的碼率）。神經網路對影片的增強，也主要集中在這兩種參數上。
分辨率增強
首先我們來談談分辨率增強，想要將一張低分辨率的圖片變成高分辨率的圖片，我們就需要猜測放大產生的未知像素。通常情況下，我們會採用某種插值算法進行計算，在圖像邊緣的模糊和鋸齒間獲得平衡，這種計算通常無法增加圖像細節，即使放大了圖像，依舊顯得很模糊。
（waifu2x SRCNN 算法與傳統算法的對比）
神經網路在增強分辨率上就有著獨到的優勢，或許你之前曾經聽說過一個軟體waifu2x ，動漫愛好者們經常用它來放大動漫插圖。當然，它同樣可以用作照片放大。
waifu2x的核心方法就是通過機器學習，訓練一個端到端的網路，使用低分辨率的圖像作為輸入得到對應的高分辨率結果圖像，最後得到的結果在圖像的鋸齒與模糊程度有較好表現，其訓練的原理類似於FCN模型。
在效果上，waifu2x的SRCNN（超分辨率卷積神經網路）要好於傳統的雙三次插值算法。
當然，waifu2x的算法僅能在靜態圖片上使用。不過方法都是相同的，madvr中放大影片分辨率的ngu算法也是類似的原理。
影片插幀
對於影片插幀來說，神經網路也有自己的用武之地，之前NVIDIA發布了一個叫做Super SloMo的神經網路，能通過聯合建模的運動解釋和遮擋推理，配合光流算法生成中間幀。
這種技術能將原本30幀的影片放慢到240幀，並在其中添加畫面的運動細節。
華為Mate 30 Pro的7680幀慢動作，也是通過神經網路對1080P/960fps的影片插幀生成的。可見類似的神經網路插幀算法，確實有很高的使用價值。
技術是一把雙刃劍
可以看到，神經網路對圖像的處理（也就是常說的AI圖像）並不是一個很可怕技術，它是一把雙刃劍，如果你用它來給影片換臉，侵犯他人肖像權，它就是不好的技術。
但如果我們能將其用在老電影翻新、手機超級慢動作、和即時影片增強，那它就是好技術。
或許那位翻新《火車進站》的YouTuber，也正是想用這部電影的傳奇故事告訴我們：「不要恐懼新技術的到來。」
本文為愛范兒授權刊登，原文標題為「不止能換臉，神經網絡還能讓你看到 1896 年的「4K」電影」