【小哈划重点：这款工具可以将模糊的、无法识别的人脸图像经由计算机生成高清晰度肖像，细节更加精细。以前的方法可以把人脸图像放大到原始分辨率的8倍，但是杜克大学团队想出了新的方法，利用少量像素即可创造出分辨率高达原始64倍的逼真面孔，合理填补出原本不存在的细纹，睫毛和须发等特征。研究人员将在2020年计算机视觉和模式识别会议上对被命名为PULSE的方法进行展示。 】
杜克大学研究人员开发了一种新的人工智能工具，这款工具可以将模糊的、无法识别的人脸图像经由计算机生成高清晰度肖像，细节更加精细。
以前的方法可以把人脸图像放大到原始分辨率的8倍，但是杜克大学团队想出了新的方法，利用少量像素即可创造出分辨率高达原始64倍的逼真面孔，合理填补出原本不存在的细纹，睫毛和须发等特征。
杜克大学计算机科学家Cynthia Rudin领导了这个研究小组，她说：“以前从未有过在这样低分辨率情况下能生成拥有如此多细节的超高分辨率照片。”
研究人员表示，该系统并不能像大家想象的那样用于进行身份识别，比如将安全摄像头拍摄的失焦、或者根本无法识别的照片变成真实的清晰图像，它只是依据这些模糊的像素，“想象出”不存在但是看起来很真实的新照片。
研究小组成员Sachit Menon表示，研究人员只是将人脸作为技术的概念验证突破口，理论上这一技术可以将任何低分辨率照片创造出锐利且逼真的照片，应用范围涵盖医学、显微天文学和卫星图像。
研究人员将在2020年计算机视觉和模式识别会议上对被命名为PULSE的方法进行展示。
传统方法是在获取一幅低分辨率图像后，通过尝试使它们与计算机以前看到的高分辨率图像中的相应像素平均匹配来“猜测”需要额外的像素。由于这种平均匹配，头发和皮肤中的纹理区域可能无法从一个像素到下一个像素完美地排列，最终看起来模糊而且失真。
因此，杜克大学的研究小组想出了不同的方法，这套系统不会先获取一张低分辨率图像然后慢慢增加细节，而是会破坏人工智能生成的高分辨人像样本，在缩小到相同大小之后，尽可能寻找与输入图像相似的面孔。
研究团队主要使用了“生成式对抗网络”这种机器学习工具，这是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出结果。简单来说就是一组算法产生一张图像，另外一组算法来判断这种图像是真还是假。如果判定为假，算法就会重新生成图片，一旦判定为真，开发人员就会检查结果，以确定算法是否需要调整。
Rudin说：“PULSE可以依据杂乱的、低质量的图像而创造出逼真的图像，这是其他方法无法做到的，从一张模糊的头像照片，它能生成许多种可能性，每一种都像一个栩栩如生的人。”
研究小组成员Alex Damian表示，即使给出一张几乎看不出眼睛和嘴巴的像素化照片，我们的算法仍然能做到传统方法做不到的事情。
这套系统可以在几秒钟内将一张16*16像素的人脸照片转换成1024*1024分辨率的图像，低分辨率图像中晚期无法辨认的细节，在新的版本中都变得清晰可见。
