随着图形渲染技术和传感器的发展，我们在日常生活中接触到的分辨率已经从过去的720p、1080p提升至了4K、8K。然而这之前的图像、视频依然停留在原有的分辨率上，且对于图形性能不够的硬件来说，要渲染出4K以上的分辨率依然吃力，于是超分辨率技术就此应运而生。

超分辨率技术的不同技术路线

现有的超分辨率技术分为几种，比如基于插值的超分辨率技术、基于重构的超分辨率技术和基于深度学习的超分辨率技术等等。插值的方法主要基于图像插值技术，也就是图像缩放技术，利用已知的像素来插值计算出未知像素的值，最后利用常规的图像技术进行一定修复等等。这是最快捷的一种方法，但质量上就不好说了，锯齿和边缘处理不到位，可以说与理想的超分辨率相差甚远。

而深度学习的方法已经在机器视觉领域获得了良好的应用，所以基于该方法的超分辨率技术可谓成果颇丰，且重构效果远优于传统的方法。通过卷积神经网络获得的高分辨率图像，不仅纹理细节更加清晰，也在信噪比上达到了优秀的表现。

GPU厂商主推的超分辨率技术

由于超分辨率技术可以显著减少游戏场景中的图形压力，显著提高游戏帧率，目前应用最广的仍是GPU厂商。最先推出类似技术的是英伟达，其DLSS技术于2019年推出，只不过当时的1.0版本可谓一塌糊涂，甚至不如简单的图像插值技术。

DLSS 2.1与2.3版本的对比 / 英伟达

2020年推出的2.0版本中，英伟达用上了自家GPU中的专用AI处理单元Tensor Core，并用到了时间抗锯齿升采样技术，而且新的AI不需要针对每个游戏进行训练也能集成这一技术。而且作为一项基于深度学习的技术，DLSS一直在不断完善，目前处于2.3版本的DLSS对运动拖影和粒子效果的渲染又有了极大的改善。正是在庞大的运算和训练下，DLSS无可厚非地成了当前效果最好的游戏超分辨率技术，但也将这一技术限制在了英伟达自家的GPU平台上。

FSR在四种模式下的表现 / AMD

AMD为了与老黄相抗衡，也推出了对应的超分辨率技术FSR，与DLSS技术相比，FSR涉及到的计算工作就要少一大截了，毕竟不需要额外的计算单元。FSR作为一种后处理算法，主要还是利用空间算法对当前画面帧进行升级和增强，而无需任何的深度学习。虽然如此一来游戏的帧数有了显著提高，但在图形质量上仍然会看见不少模糊之处，尤其是在动态场景中，运动伪影的现象比较严重。但好在FSR技术无需特定的硬件，所以即便是竞争对手的GPU，也能充分利用这一技术。

据传，AMD即将在不久后的GDC上发布全新的FSR 2.0技术，这次AMD也效仿了英伟达，用上时间数据来进行升采样，更让人惊喜的是，即便如此，该技术依然无需任何独立机器学习硬件，这意味着FSR 2.0有很大几率成为DLSS的合格竞争对手。

物联网能不能搭上超分辨率技术这班车？

其实这两家即便在技术路线上有所差异，但标榜的都是提高游戏的帧数和图形质量，然而目前如此高效的超分辨率技术只能用于游戏上吗？反观一些物联网，尤其是工业物联网的应用，同样需要对较低分辨率的图片视频进行处理。低分辨率在一定程度上限制了信息传输的准确性，从而降低了传输效率。比如医学影像中，高分辨率的图像可以更准确地对疾病进行判断。但是以上三家所用到的超分辨率技术出于各种原因，目前还是只能用作游戏优化技术。

首先是因为实现方式的不同，在游戏里支持这样的超分辨率技术，其实是靠和图形渲染引擎的集成来实现的，而不是简单地对图像或视频进行处理。所以除非是用到了Unity或Unreal之类的图形引擎，比如工业场景中兴起的数字孪生系统等，是无法充分利用到这些技术的。

其次，这些技术对于硬件的算力同样存在一定的要求，这里提到的算力不只是图形算力，还有AI算力，如果是英伟达的DLSS技术的话，还需要特定的硬件才能实现。而目前物联网场景中的边缘设备往往没有很高的算力。即便在开始推行边缘AI的情况下，最多也只是对图像和视频做一些简单的处理，比如准确识别智能水表上的刻度等等。

这也不是说目前物联网没办法享受这样的超分辨率技术，但稍微可行的方案可能还是需要在云端实现。比如智能监控摄像头拍摄的视频，在存储至云端的同时，也可以同时进行AI超分辨率重建。

不过这种方案目前应该很难普及，一是考虑到这类云服务器的部署成本偏高，如果只是单通道传输还算好，而工业物联网场景中往往是数十条1080p视频流同时传输。二是到不少物联网应用讲究的依然是实时数据传输。就拿将智能监控摄像头作为宠物摄像头来说，这其中的需求就是实时观察宠物动向，而不是等待AI重构完后回传的视频。

好在边缘AI、深度学习模型已经在物联网领域唤起了关注，专注于传感器、MCU等硬件的厂商，都开始或多或少加入一定的AI/ML计算性能。未来边缘AI算力提升，超分辨率深度学习模型开销变小的前提下，物联网可以真正享受到超分辨率技术带来的好处。