Anime4K：目前最热的开源实时动漫放大算法，Github上一周收获2600星！
今天跟大家介绍一款动漫画面放大算法Anime4K，目前最热的开源、实时、视频动漫放大算法。
https://github.com/bloc97/Anime4K
一周内该库在Github上收获2600+星，作者6天前在reddit上推介了该项目，也成为了大家的热门话题，引起极大关注！
为什么呢？
在这个“言必称深度、学必讲统计”的AI时代，Anime4K完全没有使用深度学习、统计方法，而且速度非常快！
下图展示了使用Anime4K将动漫画面从1080p提升到2160p的效果：
时间仅需要3ms。（计算硬件Vega 64 GPU）
下图为与其他相同功能开源库的比较：
Anime4K在视觉效果最好的情况下，速度则是完胜！
作者称Anime4K 非常适合动漫放大任务，速度极快、能够保持视频内容连贯、实现只需约100行代码、效果也异常的好。
Anime4K 不使用任何机器学习或统计方法，非常适合于要保持清晰边缘和线段，而能够容忍丢失一些精细纹理的情况。 它是一种迭代算法，将颜色信息视为高度图并使用渐变上升将像素“推”到可能的边缘。
作者认为这很可能是基于学习的方法内部已经在做的（例如VDSR，waifu2x）。
算法原理
Anime4K 仅适用于动漫图像放大，因动漫往往没有丰富的纹理，而人眼对其边缘和线段更加敏感。
图像超分辨率的一般流程：
LR_U为上采样后的低分辨率图像，r为高频残差，高分辨率图像HR = LR_U + r。
以往大部分算法都是在预测r。
作者发现这样一个事实，对于锐利图像其残差图像中边缘和线段往往比较细，而对于模糊图像，其残差图像中边缘和线段往往比较粗。
算法的主要目标是不断修改LR_U（低分辨率采样得到的模糊图像），直到其残差变得最细，给我们一个尽可能锐利的HR图像。
输入LR_U及其初始残差r，“推”（push）残差的像素，使残差图中线段边缘变得更细。对于作用于残差图中执行的每个“推”操作，在彩色图像上执行相同操作。 这具有迭代地使图像梯度最大化的效果，其在数学上等同于最小化模糊，但这种方法没有在传统方法中常见的振铃等伪像。
伪代码描述就下面几行：
for each pixel on the image: for each direction (north, northeast, east, etc.): using the residual, if an edge is found: push the residual pixel in the current direction push the color pixel in the current direction原理细节详见：
https://github.com/bloc97/Anime4K/blob/master/Preprint.md#proposed-method
更多放大结果：
无论在哪种设置下，Anime4K都取得了更佳的视觉效果。
开源地址：
https://github.com/bloc97/Anime4K
图像超分辨率交流群