當前大多數的單一圖像進行超分辨率處理的方法是運用經驗風險最小化 (Empirical Risk Minimisation, ERM) 原則，這時候一般情況下會出現單像素大小的均方誤差 (Mean Squared Error, MSE) 損失。
但是，采用經驗風險最小化原則處理得出的圖像，像素之間的過度往往過度平滑，從而造成圖像模糊，整體效果看起來與原圖差別較大。比使用經驗風險最小化原則更理想的方法，是使用最大后驗概率( Maximum a Posteriori, MAP)推斷。在圖像先驗的前提下，得到高像素圖像的可能性更高，因此得出的圖像往往更接近原圖。
Twitter 及哥本哈根的研究人員認為，在超分辨率處理過程中，直接對低像素圖像進行最大后驗概率估值是非常重要的，就像如果想要確保樣圖圖像先驗，就需要先構建一個模型一樣地重要。想要進行攤銷最大后驗概率推斷，從而直接計算出最大后驗概率估值，本文在這一步引入的新方法是使用卷積神經網絡。
而為了確保網絡輸入低分辨率圖像后，能始終如一地輸出相應的高分辨率圖像，研究人員創造性地引入了新型神經網絡架構，在這個網絡里，有效解決超分辨率的方法是，向仿射子空間進行投影。使用新型架構的結果顯示，攤銷最大后驗概率推理，能減少到兩個分布之間的最小化交叉熵，這個結果與生成模型經過訓練后得到的結果相類似。如何對結果進行優化，論文里提出了三種方法：
（1）生成式對抗網絡 (GAN)
（2）去噪指導超分辨率，從去噪過程中反向推導去噪的梯度估值，從而訓練網絡
（3）基線法，該方法使用最大似然訓練圖像先驗
實驗表明，使用真實圖像數據，基于生成式對抗網絡得到的圖像最接近原圖。最后，在變分自動編碼器的舉例中，成功建立了生成式對抗網絡和攤銷變異推斷之間的聯系。
論文結果展示：
四組經過超像素處理的青草質感對比圖
頂行中x為輸入模型的低分辨率圖像，y為高分辨率原圖；剩余頂行各欄為模型根據相應算法輸出的圖像。底行為頂行相應圖像的局部放大圖。
從局部放大圖可知，AffGAN得出的圖像比AffMSE得出的圖像效果更銳利更清晰。 請注意，AffDAE和AffLL都只能得出非常模糊的圖像。
圖中第三列是未經仿射投影訓練的模型輸出的圖像，這個模型采用基線法，例圖已經是該模型得出最佳上采樣效果的圖像。
四組經過超像素處理的明星肖像
x為輸入模型的低分辨率圖像，y為高分辨率原圖，其余為各算法的輸出圖像。AffGAN和SoftGAN輸出的圖像都比MSE輸出的圖像更銳利更清晰。 與SoftGAN輸出的圖像相比，AffGAN輸出的圖像稍微銳利一些，高頻噪聲（噪點）卻更多。
原圖采集自ImageNET ，四組分辨率從32x32到128×128不等的圖像 ，使用AffGAN進行超分辨率處理，輸出圖像如上圖所示。
最上面一行是輸出圖像，中間一行是原圖，最下面一行是輸入模型的圖像。總體來看，AffGAN輸出的圖像比較接近原圖，但和原圖的區別還是顯而易見的。有趣的是，第三列中，蛇身幾乎和水融為一體，這顯然是不合理的，但考慮到低分辨率輸入圖像，輸出圖像已經逼真了很多。
打碼圖片還原 方法：
所以打碼圖片至今是無法無安全還原的，但是大致是可以還原的，但是不保證百分之百成功。這里小編建議使用貍窩圖片軟件對打碼圖片進行還原。教程就不具體介紹使用方法了，沒有什么技術含量，一鍵傻瓜還原即可。
總結：以上就是打碼圖片還原的詳細介紹了，希望對大家有幫助。