东方时讯网大邱庆北科学技术学院(DGIST)电气工程与计算机科学系JinKyong-hwan教授的研究团队开发了图像处理深度学习技术，与现有技术相比，该技术可降低存储速度并将分辨率提高3dB。
通过与三星研究院ChoiKwang-pyo的联合研究开发，与现有的基于信号处理的图像插值技术(Bicubic插值)相比，该技术减少了屏幕上的混叠现象，从而产生更自然的视频输出。特别是能够清晰还原图像的高频部分。期望在使用VR或AR时显示自然画面。
基于信号处理的图像插值技术(双三次插值)通过指定图像的特定位置来在各种环境中保留所需的图像。它具有节省内存和速度的优点，但会降低质量并使图像变形。
针对这一问题，出现了基于深度学习的超高分辨率视频图像转换技术，但大多是基于卷积人工智能网络的技术，存在像素间值估计不准确的缺点，会导致到图像变形。克服这些缺点的隐式表达神经网络技术正在引起人们的关注，但是隐式表达神经网络技术的缺点是不能捕获高频成分，增加了内存和速度。
JinKyong-hwan教授的研究小组开发了一种技术，将图像分解成几个频率，使高频成分的特征可以在图像中表达，并使用隐式表达神经网络技术将坐标重新分配给分解的频率，使图像可以被更清楚地展示出来。
可谓是融合了傅里叶分析这一图像深度学习技术和隐式表达神经网络技术的新技术。新实施的技术可以通过人工智能网络解决图像恢复中的基本频率成分，从而改进无法恢复高频成分的隐式表达神经网络。
JinKyong-hwan教授说：“这次开发的技术非常出色，因为它显示出比现有图像变形领域中使用的技术更高的恢复性能和更少的内存消耗。我们希望该技术能够用于图像质量恢复和图像编辑在未来，并希望它能为学术界和工业界做出贡献。”