近日，MIT计算机科学与人工智能实验室和Google研究团队提出了一套系统，在不影响手机耗电量等性能的情况下，可以实时对照片细节进行修复，让拍照者立即得到HDR图像。

高动态范围（HDR），就是利用每个曝光时间相对应最佳细节的LDR图像来合成最终HDR图像，它能够更好地反映出真实环境中的视觉效果。

换言之，就是在拍照时，如果考虑高光区域的曝光，暗部细节就会丢失；而照顾暗部细节，高光区域就会过曝。为了解决这一问题，可以利用相机连拍至少三种曝光度以上的照片，最后再用软件合成一张保留所有细节的照片，此技术称为HDR技术。

据悉，早在16年的Google Pixel手机上，Google就开发了相关算法和软件，并显著改善了手机拍摄出的照片质量。其中，复杂高动态范围（HDR）算法是其技术核心，它可以捕获数字图像中颜色丢失的微小变化，但是受限于智能手机硬件的处理能力，而未能发挥很好的作用。

而早在2015年，MIT的研究生Michael Gharbi就开发了一个“转换器”，它可以很好地解决Google面对的问题，大大降低图像处理所需的带宽和功耗。

该“转换器”的具体实现就是，让手机向网络服务器发送图像的低分辨率版本，随后服务器发送回一个针对性的转换算法，将手机上低分辨率版本的图像修改为高分辨率的图像。“转换器”使得智能手机能在短时间内进行复杂的图像处理，且不耗费大量的电量。

据了解，最新的这套系统是Google在MIT的这款“转换器”之上，结合自己已有的系统开发出来的。

对此，Gharbi说：“Google听说了我做的工作，于是他们自己做了后续的工作，合并了两种方法。而现在我们要做的就是要让算法自己学习和选择，即融入AI，而无需人为向云端服务器发送图像。目前来看，第一个目标就是加速和优化程序，使其能在手机上运行。”

为了实现快速处理，团队开始从图像的低分辨率版本来进行处理，但因为高分辨率图像中的各个像素的颜色值变化微小，而机器学习系统必须从自身的“粗糙输出”辨识出图像各像素点的细微颜色变化特征，以判断出图像处理算法的类型，因此最大的难点依然是高分辨率采样的简单实现。

为此，该团队对机器学习系统进行大量的训练，在其输出设置上，团队没有让系统输出完整的图像，而是输出表示图像中像素点颜色修改程度的公式。在训练中，根据输出公式应用到原始图像后的效果与润饰后版本的近似程度，系统对机器学习性能进行判断，以此对其自身进行优化。

目前研究团队已对机器学习系统进行了5000张图像数据集的训练，其中每张图像都具有五个不同的润饰变体。

现在，在处理高分辨率图像上，融入AI的HDR算法比原始算法快了100倍，这也就意味着在很少的运存和电池电量的情况下，手机可以实时显示HDR算法修过的图像。

Google Research的Jon Barron表示，使用机器学习进行计算机摄影的改进是一项令人兴奋的想法，但一直受限于手机的处理器能力和电源容量。现在我们找到了避开这些问题的方法，并将会使用户有很棒的实时摄影体验。