如何识别放大的图像？

Question

我是否可以使用任何方法来识别“虚假”4K 图像？即从 720p/1080p 放大到 4K 的图像。

我尝试过搜索，但我主要只找到了使用不同方法（如 Billinear、Bicubic、Lanczos、SRCNN 和 EDSR）来放大图像的方法。

我怎样才能从“真正的 4K”图像中识别出这些从较低分辨率放大的图像？

我目前有一个包含 200 个“真实”4K 图像的数据集，我将使用上述方法之一再次缩小和放大这些图像。有没有一种方法可以训练模型来区分给定图像数据集中的这些图像？这应该给我至少 400 张图片，有 2 个类别。真 4K 和升级 4K。

是否有我应该使用的机器学习模型？到目前为止，我是计算机视觉、数字图像处理、机器学习领域的新手，并且只有卷积神经网络图像分类器的经验。可以使用 CNN 来训练模型以识别此类图像吗？还是机器学习方法不适合这种情况？

感谢您的宝贵时间。

编辑：按照@CAFEBABE 的建议，我将这些 4K 图像（真实的、lanczos 放大的和从 1080p 放大的双三次图像）拆分为每个类别的 240x135 的 51200 张图像，并将它们放入 CNN 中，如下所示。

model = Sequential() 

model.add(Conv2D(32, (3,3), input_shape = (135, 240, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

# 2 hidden layers
model.add(Flatten())
model.add(Dense(64))
model.add(Activation("relu"))

model.add(Dense(64))
model.add(Activation("relu"))

# The output layer with 3 neurons, for 3 classes
model.add(Dense(3))
model.add(Activation("softmax"))

# Compiling the model using some basic parameters
model.compile(loss="sparse_categorical_crossentropy"
              ,optimizer="adam"
              ,metrics=["accuracy"])

但是，我的模型似乎不是基于放大学习，而是尝试根据图像是什么进行分类；我得到了 33% 的准确率（纯随机）

CNN 是否可以用于解决这个问题，或者我的模型是否遗漏了什么？

Answer 1

你应该试试。

短消息可能您可以使用 CNN 来完成，并针对升级/未升级的两类问题进行了训练。我实际上会训练它甚至识别方法，因为它似乎是一个更容易的问题。我想你需要更多的图像。其次，在如此大的分辨率图像上训练 CNN 是一件令人头疼的事情。

因此我将遵循以下方法：

（第 1 步）在来自大规模图像的低分辨率补丁上构建数据集。所以一个 4096 × 2160 基本上由 16 个 1024x540 的图像数据集组成，依此类推。为了使其可实际训练，请构建来自任何来源的分辨率为 227x240 的图像数据集。

（步骤 2）缩小和放大这些图像，就像处理高分辨率图像一样。对于这一步，我不会使用补丁本身，而是使用原始的高分辨率图像

（步骤 3）训练 NN 进行识别。

(step4) 计算每张图像谁能够很好地解决问题（熵好与坏）

(step5) 建立一个分割模型，从图像中选择最佳区域来解决问题。因此，哪些 227x240 的 4k 图像可以帮助您识别缩小比例。分割不需要在全分辨率图像上进行训练。假设您将无法识别均匀彩色图像区域的某些放大方法。

（循环），但在步骤 1 中使用分割模型来识别补丁。

Answer 2

为此尝试 GAN。它将帮助您解决这个问题