Title Text:It’s okay, we can just feed the one-pixel image into an AI upscaler and recover the original image, or at least one that’s just as cool.
Origin:https://xkcd.com/2671/
https://www.explainxkcd.com/wiki/index.php/2671:_Rotation
旋转
http://xkcd.in/comic?lg=cn&id=2671
Randall的另一个提示，该提示声称旋转手机和多次截屏会导致图像消失，并警告用户不要这样做。摄像头和显示器的分辨率都是有限的，原图在图像中心的细节会随着接近几个像素的范围而减少，因此原始图像在到达亚像素之前就会丢失范围。这很有趣，因为现代照相手机的默认分辨率可能太大，无法满足手机多媒体消息服务、网络文件上传或电子邮件附件等的尺寸要求，因此有时需要执行这一笨拙过程的一两个步骤。
如需更全面地解释所涉及的概念，包括常与弦理论的拓扑量子泡沫相关的普朗克单位，请观看此 CGP Gray 视频。有关拓扑弦理论的解释，请参阅2658：咖啡杯孔。另请参阅1683：模拟图像处理概念的数字数据。
标题文本指的是从较低分辨率生成照片上可能更高分辨率的图像，这是当前研究的一个活跃领域。[1]由于降低图像分辨率是一个有损过程，因此通过此类过程获得的结果将无法完美地再现原始图像。机器学习可用于计算已知摄影主题的图像（或例如动漫风格的艺术，在waifu2x的情况下）在某些类型的噪声或尺寸缩小下的表现，以便这些类型的图像可以以某种方式放大，即使不能完美地重新创建原始图像，至少也是忠实的表示，但是当图像一直缩小到一个像素时，除了关于图像整体颜色的少量数据外，其他所有内容都会丢失，使得重建原始图像变得不可能。Randall 否认，因为 AI 升级是基于摄取大量人造艺术（我们发现“有趣”或至少有意义的主题被主要代表），AI 将产生至少同样酷的图像就像原始图像一样，事实上，一些图像生成 AI 实际上以类似的原理工作——例如，“反向扩散”AI 是通过教它们从噪声中重建图像来训练的，噪音。他也可能在色温上打了个双关语，升频器可以将其与原始图像相匹配。用于放大图像的“增强按钮”是电影和电视中的常见比喻，尤其是在犯罪和科幻小说中。
数学角[编辑]
旋转引起的比例缩减可以近似计算。如果a是图片的宽度，b是图片的高度，则缩小为x=a/b，图片矩形的纵横比。从漫画中可以看出，第一次旋转在画面的每一边留下了两个大致呈正方形的灰色区域。缩小后的图片宽度为xa = a 2 / b。每个灰色区域都是a（高）乘以（bx.a）/2（宽）。这大致是正方形，但不会完全正方形，除非
- b = 2 a + xa并且由于x=a/b，除以b我们得到 1 = 2 x + x²。
这是一个二次方程，其唯一的正解是√2-1 ≈ 0.414
回到一般问题：缩小是几何级数的，这样旋转九次后，图片会缩小x⁹倍。由于这是“小于一个像素”，因此原始屏幕分辨率小于 (1/ x )⁹ 像素。并没有说明缩小到“小于一个像素”的是原图的宽度、高度还是面积。
25 次旋转进一步减少了很多，对数对于计算它很有用。L为 log( a / b )，负数，因为a / b小于1。如果原始屏幕为 10cm 宽，则其缩小后的图片宽度将缩小x ^25 倍。漫画告诉我们，图片现在“比原子还小”（通常为 10^-10m）。如果指的是宽度，则使用以 10 为底的对数，25 L小于约 -9.0。
旋转 101 次后，缩小为x ^101，图片现在“小于普朗克长度”。普朗克长度的对数约为 -34.8，因此 101 L小于 -33.8。
值得注意的是，我们知道 100 次旋转是不够的，因此 100 L大于 -33.8。如果我们拆分差异并说 100.5 L等于 -33.8，我们得到的纵横比a / b大约为 0.461。多个流行的手机尺寸都在该范围内，包括 iPhone X 或 XS，两者的纵横比均为 1125/2436 ~ 0.4618。
