喜欢看动漫的人经常会被一些经典作品的情节所吸引，不过画面质量是欣赏下去的大敌 —— 那些超过十年历史的内容自不必说，直到现在，很多动画的实际分辨率也只是 720p 左右，然后被拉伸到 1080i 以满足电视台播放的需求，BD（蓝光）模糊度也只有 1080p。
究其原因，还是成本问题：在动画制作过程中，让分辨率提高一个级别，就会导致所有的制作资源大幅提高，从作画、扫描到处置惩罚和存储，整个产业链条都需要软硬件的提高。
但今天即使是手机也有个 2K 的分辨率，既然手绘动画难以提高分辨率，那么能不能用 AI 算法来解决这个问题？
最近，GitHub 上一个图象超分辨率的项目火了，一个叫做 Real-CUGAN 的工具可以把动画图象的质量提高 2 到 4 倍，qq 上斗图的表情包也能给你脑补成 4k 品质。
仔细一看，这个项目来自 bilibili 人工智能实验室。上线 20 天，star 量已达 1.5K。
项目链接：https://github.com/bilibili/ailab/tree/main/Real-CUGAN
据作者介绍，Real-CUGAN 是一个利用百万级动漫数据从事训练的，结构与 Waifu2x 兼容的通用动漫图象超分辨率模型。相比目前市面上已有的通用化超分辨率算法，Real-CUGAN 的 AI 模型经过了更大体量数据集的训练，处置惩罚二次元内容的后果更佳。
它撑持 2x\3x\4x 倍超分辨率，其中 2 倍模型撑持 4 种降噪强度与保守建设，3 倍 / 4 倍模型撑持 2 种降噪强度与保守建设。
Real-CUGAN 全称为 Real Cascaded-U-Net-style Generative Adversarial Networks（真实的、级联 U-Net 风格的生成对抗网络），利用了与 Waifu2x 相同的动漫网络结构，但因为利用了新的训练数据与训练方法，从而形成了不同的参数。
具体来说，该动漫超分模型训练先行对动漫帧从事切块处置惩罚，利用图象质量打分模型对候选块从事打分过滤，得到一个百万级的高质量动漫图象块训练集。然后利用多阶段降质算法，将高清图象块降采样得到低质图象，让 AI 模型学习、优化从低质图象到高质图象的重建过程，训练完毕后即可对真实的二次元低质图象从事高清化处置惩罚。
在 GitHub 项目中，作者开源了推理阶段的模型参数与推理代码。
下面，我们来看一下 Real-CUGAN 的建设后果。
图源：https://github.com/bilibili/ailab/tree/main/Real-CUGAN
为了进一步查看几种建设方法的差距，研究团队将 Real-CUGAN 的建设后果和 Waifu2x、RealESRGAN 从事比较。
下图是动漫《侦探已死》中的画面，其中几种方法对沙发纹理的建设差距显著。可以看到，在 Real-CUGAN 的建设结果中，沙发上的横向条纹模糊可见，并且几乎没有中断的部分：
在动漫中，人物模糊的线条对角色形象的塑造具有重要的作用。线条恍惚会严重影响观看体验。以下图为例，Real-CUGAN 模糊地建设了动漫中角色的表情线条：
当然，有些场景并非越模糊越好，比如画面中的一些远景，原本就是刻意虚化的。以下图为例，Real-CUGAN 建设之后，近景处的人物形象变得更模糊，远处的蜡烛仍然保持恍惚，使得画面更有层次感。
还有一些动漫由于年代久远，受当时技术条件的限制，画质着实「感人」。例如许多人的童年回忆《黑猫警长》，先前的模型 RealESRGAN（下图第三列）已获得了不错的建设后果。相比之下 Real-CUGAN（下图第四列）更好地建设了一些杂线、恍惚的问题，让画面更加干净模糊。
更为重要的是这项技术想要用很简单：你下载的模型已训练好，修改 config.py 配置参数，双击 go.bat 运行即可。Real-CUGAN 不仅可用 cuda 加速，也撑持 AMD 系列的显卡，处置惩罚速度还很快，笔记本电脑也可以跑得起来。
虽然 Real-CUGAN 默认是只处置惩罚静态图片的，但很多人已尝试把视频拆解成单帧序列从事处置惩罚。如此一来，很多上古老番都能自己上手让它们焕然一新了。
目前 B 站上已经有人上传了一些利用新技术处置惩罚过的视频，比如这个在 1080p BD 基础上超分到 4K 的：
链接：https://www.bilibili.com/video/BV1CY411t7aV
在很多电影建设之后，老番高清计划也已在路上。B 站表示，将针对不同品类适配不同的超分算法，并且利用窄带高清算法降低卡顿，提高流畅度。
参考内容：
https://www.bilibili.com/read/cv15031073