Как работает масштабирование ИИ?

Как работает масштабирование ИИ?

Краткий ответ: масштабирование с помощью ИИ работает путем обучения модели на парных изображениях низкого и высокого разрешения, а затем использования ее для прогнозирования правдоподобных дополнительных пикселей во время масштабирования. Если модель видела похожие текстуры или лица во время обучения, она может добавить убедительные детали; в противном случае она может «галлюцинировать» артефакты, такие как ореолы, восковая кожа или мерцание в видео.

Основные выводы:

Прогноз : Модель генерирует правдоподобные детали, а не гарантирует воссоздание реальности.

Выбор модели : сверточные нейронные сети (CNN) обычно более стабильны; генеративные состязательные сети (GAN) могут демонстрировать более четкие результаты, но рискуют создавать ложные признаки.

Проверка на наличие артефактов : обращайте внимание на ореолы, повторяющиеся текстуры, «почти буквы» и пластиковые лица.

Стабильность видео : используйте временные методы, иначе вы увидите покадровое мерцание и смещение.

Использование в ответственных ситуациях : если важна точность, укажите способ обработки данных и рассматривайте результаты как иллюстративные.

Как работает масштабирование ИИ? Инфографика.

Вы, наверное, это видели: крошечное, хрустящее изображение превращается в нечто достаточно четкое, чтобы его можно было распечатать, показать онлайн или вставить в презентацию, не морщась. Ощущение, будто это жульничество. И – в хорошем смысле – так оно и есть 😅

Таким образом, принцип работы масштабирования изображений с помощью ИИ сводится к чему-то более конкретному, чем «компьютер улучшает детали» (расплывчатое объяснение), и ближе к «модель предсказывает правдоподобную структуру высокого разрешения на основе закономерностей, которые она изучила на множестве примеров» ( Глубокое обучение для сверхвысокого разрешения изображений: обзор ). Этап предсказания — это вся суть, и именно поэтому масштабирование с помощью ИИ может выглядеть потрясающе… или немного неестественно… или так, будто у вашей кошки выросли дополнительные усы.

Статьи, которые могут вас заинтересовать после этой:

🔗 Как работает ИИ
Изучите основы моделей, данных и вывода в области искусственного интеллекта.

🔗 Как учится ИИ
Узнайте, как обучающие данные и обратная связь улучшают производительность модели с течением времени.

🔗 Как ИИ обнаруживает аномалии
Разберитесь в базовых закономерностях поведения и в том, как ИИ быстро выявляет необычное поведение.

🔗 Как ИИ прогнозирует тренды
Изучите методы прогнозирования, позволяющие выявлять сигналы и предвидеть будущий спрос.

Как работает масштабирование ИИ: основная идея простыми словами 🧩

Увеличение разрешения означает повышение разрешения: больше пикселей, больше изображение. Традиционное увеличение разрешения (например, бикубическая интерполяция) по сути растягивает пиксели и сглаживает переходы ( бикубическая интерполяция ). Это неплохо, но не может создать новые детали — это просто интерполяция.

В области масштабирования изображений с помощью ИИ предпринимается более смелая попытка (в научном мире это называется «сверхразрешение») ( Глубокое обучение для сверхразрешения изображений: обзор ):

  • Он анализирует входные данные низкого разрешения

  • Распознаёт закономерности (края, текстуры, черты лица, линии текста, переплетение ткани…)

  • должна выглядеть версия с более высоким разрешением.

  • Генерирует дополнительные пиксельные данные, соответствующие этим шаблонам

Речь идёт не о «идеальном восстановлении реальности», а скорее о «выдвижении весьма правдоподобного предположения» ( сверхразрешение изображений с использованием глубоких сверточных нейронных сетей (SRCNN) ). Если это звучит немного подозрительно, вы правы — но именно поэтому это так хорошо работает 😄

Да, это означает, что масштабирование с помощью ИИ — это, по сути, контролируемая галлюцинация… но в продуктивном, бережном отношении к пикселям способе.

Что делает версию ИИ хорошей для масштабирования? ✅🛠️

Если вы оцениваете апскейлер на основе ИИ (или предустановленные настройки), вот что обычно имеет наибольшее значение:

  • Восстановление детализации без перенасыщения.
    Качественное масштабирование добавляет четкость и структуру, а не создает хрустящий шум или искусственные поры.

  • Дисциплина работы с кромками.
    Чистые линии остаются чистыми. Плохие модели приводят к тому, что кромки начинают колебаться или образовывать ореолы.

  • Реалистичные текстуры.
    Волосы не должны превращаться в мазок кисти. Кирпичная кладка не должна превращаться в повторяющийся узор.

  • Обработка шума и сжатия.
    Многие повседневные изображения сильно искажены в формате JPEG. Хороший апскейлер не усугубляет это искажение ( Real-ESRGAN ).

  • Распознавание лиц и текста.
    Лица и текст — самые простые места для обнаружения ошибок. Хорошие модели обрабатывают их бережно (или имеют специализированные режимы).

  • Стабильность изображения между кадрами (для видео).
    Если детали мерцают от кадра к кадру, ваши глаза будут болеть. Масштабирование видео зависит от временной стабильности ( BasicVSR (CVPR 2021) ).

  • Элементы управления, которые имеют смысл.
    Вам нужны ползунки, которые соответствуют реальным результатам: шумоподавление, устранение размытия, удаление артефактов, сохранение зернистости, резкость… практические вещи.

Негласное правило, которое всегда работает: «лучшее» масштабирование — это зачастую то, которое вы почти не замечаете. Просто кажется, что у вас изначально была камера получше 📷✨

Сравнительная таблица: популярные варианты масштабирования с помощью ИИ (и для чего они хороши) 📊🙂

Ниже приведено практическое сравнение. Цены намеренно указаны нечетко, поскольку инструменты различаются в зависимости от лицензии, комплектации, вычислительных ресурсов и всего прочего.

Инструмент / Подход Лучше всего подходит для Ценовой настрой Почему это работает (примерно)
Программы для масштабирования изображения на рабочем столе в стиле Topaz ( Topaz Photo , Topaz Video ) Фотографии, видео, удобный рабочий процесс Платный Надежные базовые модели + множество настроек, как правило, "просто работают"… в большинстве случаев
Функции Adobe типа «Сверхвысокое разрешение» ( Adobe Enhance > Super Resolution ) Фотографы, уже находящиеся в этой экосистеме Подписка Тщательная реконструкция деталей, как правило, консервативная (без излишней драматизации)
Real-ESRGAN / Варианты ESRGAN ( Real-ESRGAN , ESRGAN ) Сделай сам, разработчики, пакетные задания Бесплатно (но требует много времени) Отлично передает детали текстуры, но может выглядеть слишком резко на лице, если не быть осторожным
Режимы масштабирования на основе диффузии ( SR3 ) Творческая работа, стилизованные результаты смешанный Умеет создавать потрясающие детали, а также придумывать всякую чепуху, так что… да
Игровые апскейлеры (в стиле DLSS/FSR) ( NVIDIA DLSS , AMD FSR 2 ) Игры и рендеринг в реальном времени В комплекте Использует данные о движении и изученные априорные знания — плавное повышение производительности 🕹️
Услуги масштабирования облачных вычислений Удобство, быстрые результаты Оплата за использование Быстро и масштабируемо, но при этом приходится жертвовать контролем и порой тонкостью
Искусственный интеллект для масштабирования видео ( BasicVSR , Topaz Video ) Старые видеоматериалы, аниме, архивы Платный Временные приемы для уменьшения мерцания + специализированные видеомодели
Увеличение изображения с помощью «умного» телефона/галереи Непринужденное использование Включено Легкие модели, настроенные на приятный, но не идеальный результат (хотя и удобные)

Признание в странностях форматирования: слово «Paid-ish» в этой таблице выполняет большую часть работы. Но вы поняли суть 😅

Главный секрет: модели обучаются отображению от низкого разрешения к высокому разрешению 🧠➡️🖼️

В основе большинства методов масштабирования ИИ лежит метод обучения с учителем (например, сверхвысокое разрешение изображений с использованием глубоких сверточных нейронных сетей (SRCNN) ):

  1. Начните с изображений высокого разрешения («истины»)

  2. Уменьшите разрешение до низкокачественных версий («входных данных»)

  3. Обучите модель для восстановления исходного изображения высокого разрешения из изображения низкого разрешения

Со временем модель изучает такие корреляции, как:

  • «Такое размытие вокруг глаза обычно наблюдается на ресницах»

  • «Этот пиксель часто обозначает текст с засечками»

  • «Этот градиент на краю напоминает линию, имитирующую вид крыши, а не случайный шум»

Речь идёт не о запоминании конкретных изображений (в простом смысле), а об изучении статистической структуры ( Глубокое обучение для сверхразрешения изображений: обзор ). Представьте это как изучение грамматики текстур и краёв. Не поэтической грамматики, а скорее… грамматики руководства IKEA 🪑📦 (неуклюжая метафора, но достаточно близкая).

Основные моменты: что происходит во время инференции (при масштабировании) ⚙️✨

Когда вы передаете изображение в программу масштабирования на основе ИИ, обычно используется следующий алгоритм:

  • Предварительная обработка

  • Извлечение признаков

    • Первые слои обнаруживают края, углы и градиенты

    • Более глубокие слои обнаруживают закономерности: текстуры, формы, элементы лица

  • Реконструкция

    • Модель генерирует карту объектов с более высоким разрешением

    • Затем преобразует это в фактический пиксельный вывод

  • Постобработка

    • Дополнительная заточка

    • Дополнительное шумоподавление

    • Дополнительное подавление артефактов (звон, ореолы, блочность)

Одна тонкая деталь: многие инструменты увеличивают изображение по тайлам, а затем сглаживают швы. Отличные инструменты скрывают границы тайлов. Не очень хорошие инструменты оставляют едва заметные следы сетки, если присмотреться. И да, вам придётся присматриваться, потому что люди любят рассматривать мельчайшие дефекты при 300% увеличении, как маленькие гремлины 🧌

Основные семейства моделей, используемые для масштабирования ИИ (и почему они ощущаются по-разному) 🤖📚

1) Сверхразрешение на основе сверточных нейронных сетей (классический рабочий инструмент)

Сверточные нейронные сети отлично справляются с локальными закономерностями: краями, текстурами, мелкими структурами ( сверхвысокое разрешение изображений с использованием глубоких сверточных сетей (SRCNN) ).

  • Плюсы: относительно быстрая, стабильная, меньше неожиданностей

  • Минусы: при интенсивном использовании может выглядеть немного "обработанным"

2) Масштабирование на основе GAN (в стиле ESRGAN) 🎭

Генеративные состязательные сети (GAN) обучают генератор создавать изображения высокого разрешения, которые дискриминатор не может отличить от реальных ( Генеративные состязательные сети ).

  • Плюсы: яркая детализация, впечатляющая текстура

  • Минусы: может выдумывать детали, которых не было — иногда неверно, иногда поразительно ( SRGAN , ESRGAN )

GAN может придать изображению потрясающую резкость. А ещё он может добавить вашему портрету дополнительную бровь. Так что… выбирайте, за что бороться 😬

3) Масштабирование на основе диффузии (творческий козырь) 🌫️➡️🖼️

Диффузионные модели выполняют пошаговое шумоподавление и могут быть направлены на получение деталей высокого разрешения ( SR3 ).

  • Плюсы: могут быть невероятно хороши в правдоподобных деталях, особенно в творческой работе

  • Минусы: может отклониться от первоначальной идентичности/структуры, если настройки слишком агрессивны ( SR3 ).

Здесь «масштабирование» начинает сливаться с «переосмыслением». Иногда это именно то, чего вы хотите. Иногда — нет.

4) Масштабирование видео с сохранением временной согласованности 🎞️

При масштабировании видео часто добавляется логика, учитывающая движение:

  • Использует соседние кадры для стабилизации деталей ( BasicVSR (CVPR 2021) )

  • Пытается избежать мерцания и артефактов ползучего движения

  • Часто сочетает сверхвысокое разрешение с шумоподавлением и деинтерлейсингом ( Topaz Video )

Если масштабирование изображения — это как реставрация одной картины, то масштабирование видео — это как реставрация мультфильма, чтобы нос персонажа не менял форму на каждой странице. А это… сложнее, чем кажется.

Почему масштабирование с помощью ИИ иногда выглядит неестественно (и как это распознать) 👀🚩

Масштабирование с помощью ИИ терпит неудачу в очевидных аспектах. Как только вы выучите закономерности, вы будете видеть их повсюду, как если бы купили новую машину и вдруг заметили эту модель на каждой улице 😵💫

Обычные рассказы:

  • Депиляция лица воском (слишком сильное шумоподавление + сглаживание)

  • Чрезмерно резкие ореолы по краям (классическая область «перерегулирования») ( бикубическая интерполяция )

  • Повторяющиеся текстуры (кирпичные стены превращаются в повторяющиеся узоры).

  • Резкий микроконтраст, который явно указывает на «алгоритм».

  • Искажение текста, при котором буквы превращаются в «почти буквы» (худший вид искажения).

  • Смещение деталей , когда мелкие детали незаметно изменяются, особенно в рабочих процессах диффузии ( SR3 )

Сложность в том, что иногда эти артефакты на первый взгляд кажутся «лучше». Мозгу нравится четкость. Но через мгновение возникает ощущение… что что-то не так.

Хороший приём — отдалить камеру и проверить, выглядит ли изображение естественно на обычном расстоянии просмотра. Если оно хорошо выглядит только при 400% увеличении, это не успех, а просто хобби 😅

Как работает масштабирование ИИ: обучение без головной боли, связанной с математическими вычислениями 📉🙂

Обучение моделей сверхвысокого разрешения обычно включает в себя:

Типичные виды убытков:

  • Потеря пикселей (L1/L2)
    способствует повышению точности. Может приводить к несколько размытым результатам.

  • Функция перцептивных потерь
    сравнивает более глубокие признаки (например, «похоже ли это на другое»), а не точные пиксели ( Perceptual Losses (Johnson et al., 2016) ).

  • Генеративная состязательная функция потерь (GAN)
    способствует реализму, иногда в ущерб точности в буквальном смысле ( SRGAN , Generative Adversarial Networks ).

Постоянно идёт борьба:

  • Сделайте его максимально приближенным к оригиналу
    .

  • Сделайте его визуально привлекательным.

Разные инструменты занимают разные позиции на этом спектре. И вы можете предпочесть тот или иной инструмент в зависимости от того, восстанавливаете ли вы семейные фотографии или готовите плакат, где «привлекательный внешний вид» важнее, чем криминалистическая точность.

Практические рабочие процессы: фотографии, старые сканы, аниме и видео 📸🧾🎥

Фотографии (портреты, пейзажи, предметная фотосъемка)

Как правило, лучшей практикой является:

  • Сначала выполните небольшое шумоподавление (при необходимости)

  • Изысканный стиль с консервативной обстановкой

  • Добавьте зернистость, если консистенция кажется слишком гладкой (да, это правда)

Злаки похожи на соль. Слишком много испортит ужин, а совсем без соли может сделать вкус пресным 🍟

Старые сканы и сильно сжатые изображения

Это сложнее, потому что модель может рассматривать блоки сжатия как «текстуру».
Попробуйте:

  • Удаление артефактов или разблокировка

  • Затем повысить уровень

  • Затем лёгкая резкость (не слишком сильная… я знаю, все так говорят, но всё же)

Аниме и линейная графика

Контурная графика выигрывает от:

  • Модели, сохраняющие четкие края

  • Упрощенная текстурная галлюцинация.
    Увеличение масштаба аниме-изображений часто выглядит великолепно, потому что формы проще и однороднее. (Повезло.)

Видео

Видеоролик добавляет дополнительные шаги:

  • Шум

  • Деинтерлейсинг (для некоторых источников)

  • Элитный

  • Временное сглаживание или стабилизация ( BasicVSR (CVPR 2021) )

  • Дополнительное добавление зерна для обеспечения сплоченности

Если нарушить временную согласованность, получится мерцающее мерцание деталей. Заметив его однажды, уже не сможешь забыть. Как скрипящий стул в тихой комнате 😖

Выбор настроек без лишних догадок (небольшая шпаргалка) 🎛️😵💫

Вот неплохой вариант для начала:

  • Если лица выглядят неестественно,
    уменьшите шумоподавление, уменьшите резкость, попробуйте режим или модель, сохраняющую черты лица.

  • Если текстуры выглядят слишком насыщенными,
    уменьшите значение ползунков «улучшение детализации» или «восстановление детализации», затем добавьте легкую зернистость.

  • Если края светятся,
    уменьшите резкость, проверьте параметры подавления ореолов.

  • Если изображение выглядит слишком "искусственным интеллектом",
    проявите больше осторожности. Иногда лучшее решение — просто... меньше.

И ещё: не стоит увеличивать масштаб до 8 раз просто потому, что это возможно. Оптимальным вариантом часто является чистое изображение в 2 или 4 раза. Больше этого — значит, вы просите модель написать фанфик о ваших пикселях 📖😂

Этика, подлинность и неудобный вопрос «истины» 🧭😬

Масштабирование с помощью ИИ стирает границы:

  • Реставрация подразумевает восстановление того, что было

  • Улучшение подразумевает добавление того, чего не было

С личными фотографиями обычно все в порядке (и даже прекрасно). Но в журналистике, юридических доказательствах, медицинской визуализации или в любой другой области, где важна точность воспроизведения… нужно быть осторожным ( OSAC/NIST: Стандартное руководство по управлению цифровыми изображениями в судебной экспертизе , Руководство SWGDE по анализу изображений в судебной экспертизе ).

Простое правило:

  • Если ставки высоки, рассматривайте масштабирование ИИ как иллюстративный , а не окончательный пример.

Кроме того, в профессиональном контексте раскрытие информации имеет значение. Не потому, что ИИ — зло, а потому, что аудитория заслуживает знать, были ли детали восстановлены или зафиксированы. Это просто… проявление уважения.

Заключительные замечания и краткий обзор 🧡✅

Итак, принцип работы масштабирования изображений с помощью ИИ таков: модели изучают, как детали высокого разрешения соотносятся с паттернами низкого разрешения, а затем предсказывают правдоподобные дополнительные пиксели во время масштабирования ( Глубокое обучение для сверхразрешения изображений: обзор ). В зависимости от семейства моделей (CNN, GAN, диффузионное моделирование, видео-временное моделирование) это предсказание может быть консервативным и точным… или смелым и порой безумным 😅

Краткое резюме

Если хотите, расскажите, что именно вы масштабируете (лица, старые фотографии, видео, аниме, сканированные тексты), и я предложу стратегию настроек, которая позволит избежать распространенных ошибок, связанных с эффектом «искусственного интеллекта» 🎯🙂

Часто задаваемые вопросы

Масштабирование ИИ и принципы его работы

Масштабирование с помощью ИИ (часто называемое «сверхразрешением») повышает разрешение изображения за счет прогнозирования недостающих высокодетализированных элементов на основе шаблонов, изученных в процессе обучения. Вместо простого растягивания пикселей, как при бикубической интерполяции, модель изучает края, текстуры, лица и штрихи, похожие на текст, а затем генерирует новые пиксельные данные, которые соответствуют этим изученным шаблонам. Это не столько «восстановление реальности», сколько «правдоподобное предположение», которое воспринимается естественно.

Масштабирование с помощью ИИ по сравнению с бикубическим или традиционным изменением размера

Традиционные методы масштабирования (например, бикубическая интерполяция) в основном интерполируют между существующими пикселями, сглаживая переходы без создания действительно новых деталей. Масштабирование с помощью ИИ направлено на восстановление правдоподобной структуры путем распознавания визуальных признаков и прогнозирования того, как обычно выглядят версии этих признаков в высоком разрешении. Именно поэтому результаты, полученные с помощью ИИ, могут казаться значительно более четкими, а также могут вносить артефакты или «изобретать» детали, которых не было в исходном изображении.

Почему лица могут выглядеть восковыми или слишком гладкими

Восковая текстура лица обычно получается из-за агрессивного шумоподавления и сглаживания в сочетании с повышением резкости, которое удаляет естественную текстуру кожи. Многие инструменты обрабатывают шум и мелкую текстуру аналогичным образом, поэтому «очистка» изображения может стереть поры и тонкие детали. Распространенный подход заключается в уменьшении шумоподавления и резкости, использовании режима сохранения лица, если он доступен, а затем добавлении небольшого количества зернистости, чтобы результат выглядел менее искусственным и более фотографическим.

Типичные артефакты масштабирования ИИ, на которые следует обратить внимание

Типичные признаки включают ореолы вокруг краев, повторяющиеся текстурные узоры (как будто скопированные и вставленные кирпичи), резкий микроконтраст и текст, который превращается в «почти буквы». В рабочих процессах, основанных на диффузии, также можно заметить смещение деталей, когда мелкие элементы незаметно изменяются. В случае видео мерцание и ползущая детализация по кадрам — серьезные тревожные сигналы. Если изображение хорошо выглядит только при экстремальном увеличении, настройки, вероятно, слишком агрессивны.

В чем заключаются различия в результатах использования GAN, CNN и диффузионных алгоритмов масштабирования?

Сверхвысокое разрешение на основе CNN, как правило, более стабильное и предсказуемое, но при чрезмерной нагрузке изображение может выглядеть «обработанным». Варианты на основе GAN (в стиле ESRGAN) часто обеспечивают более выразительную текстуру и воспринимаемую резкость, но могут искажать детали, особенно на лицах. Масштабирование на основе диффузии может создавать красивые, правдоподобные детали, но может отклоняться от исходной структуры, если настройки направляющих или интенсивности слишком высоки.

Практическая стратегия настройки параметров, позволяющая избежать эффекта «слишком искусственного интеллекта»

Начните с консервативных методов: увеличьте масштаб в 2 или 4 раза, прежде чем переходить к крайним значениям. Если лица выглядят неестественно, уменьшите шумоподавление и резкость и попробуйте режим распознавания лиц. Если текстуры становятся слишком интенсивными, уменьшите детализацию и рассмотрите возможность добавления легкой зернистости после обработки. Если края светятся, уменьшите резкость и проверьте подавление ореолов или артефактов. Во многих процессах обработки «меньше» выигрывает, потому что сохраняет правдоподобный реализм.

Обработка старых сканированных изображений или изображений, сильно сжатых в формате JPEG, перед масштабированием

Сжатые изображения представляют собой сложную задачу, поскольку модели могут воспринимать блочные артефакты как реальную текстуру и усиливать их. Обычно используется следующий рабочий процесс: сначала удаление артефактов или устранение блочных артефактов, затем масштабирование, а затем, при необходимости, лёгкое повышение резкости. Для сканированных изображений щадящая очистка может помочь модели сосредоточиться на реальной структуре, а не на повреждениях. Цель состоит в уменьшении количества «поддельных текстурных признаков», чтобы специалисту по масштабированию не приходилось делать уверенные предположения на основе зашумлённых входных данных.

Почему масштабирование видео сложнее, чем масштабирование фотографий

Масштабирование видео должно быть равномерным по всем кадрам, а не только хорошим на одном статичном изображении. Если детали мерцают от кадра к кадру, результат быстро становится отвлекающим. Подходы, ориентированные на видео, используют временную информацию из соседних кадров для стабилизации реконструкции и предотвращения артефактов мерцания. Многие рабочие процессы также включают шумоподавление, деинтерлейсинг для определенных источников и, при необходимости, повторное введение зернистости, чтобы вся последовательность выглядела цельной, а не искусственно резкой.

Когда масштабирование с помощью ИИ нецелесообразно или полагаться на него рискованно

Улучшение качества изображения с помощью ИИ лучше рассматривать как дополнение, а не как доказательство. В таких ответственных областях, как журналистика, юридическая экспертиза, медицинская визуализация или криминалистика, создание «правдоподобных» пикселей может ввести в заблуждение, поскольку может добавить детали, которые не были зафиксированы. Более безопасный подход — использовать это в качестве иллюстрации и указать, что детали были восстановлены с помощью ИИ. Если точность воспроизведения имеет решающее значение, сохраняйте оригиналы и документируйте каждый этап обработки и настройки.

Ссылки

  1. arXiv - Глубокое обучение для сверхразрешения изображений: обзор - arxiv.org

  2. arXiv - Сверхвысокое разрешение изображений с использованием глубоких сверточных нейронных сетей (SRCNN) - arxiv.org

  3. arXiv - Real-ESRGAN - arxiv.org

  4. arXiv - ESRGAN - arxiv.org

  5. arXiv - SR3 - arxiv.org

  6. NVIDIA Developer - NVIDIA DLSS - developer.nvidia.com

  7. AMD GPUOpen - FidelityFX Super Resolution 2 - gpuopen.com

  8. Открытый доступ от Фонда компьютерного зрения (CVF) - BasicVSR: Поиск основных компонентов в видео сверхвысоком разрешении (CVPR 2021) - openaccess.thecvf.com

  9. arXiv - Генеративные состязательные сети - arxiv.org

  10. arXiv - SRGAN - arxiv.org

  11. arXiv - Перцептивные потери (Джонсон и др., 2016) - arxiv.org

  12. GitHub - Репозиторий Real-ESRGAN (параметры плиток) - github.com

  13. Википедия - Бикубическая интерполяция - wikipedia.org

  14. Topaz Labs - Topaz Photo - topazlabs.com

  15. Topaz Labs - Видео Topaz - topazlabs.com

  16. Центр поддержки Adobe - Улучшение Adobe > Супер разрешение - helpx.adobe.com

  17. NIST / OSAC - Стандартное руководство по управлению цифровыми изображениями в судебной экспертизе (версия 1.0) - nist.gov

  18. SWGDE — Руководство по судебно-криминалистическому анализу изображений — swgde.org

Найдите новейшие разработки в области ИИ в официальном магазине ИИ-помощников

О нас

Вернуться в блог