Risoluzione eccellente

La super risoluzione va oltre il semplice upscaling utilizzando modelli di deep learning addestrati su immagini accoppiate a bassa e alta risoluzione. Durante l'addestramento, il modello apprende la relazione tra le patch a bassa risoluzione e le loro controparti ad alta risoluzione. Si scopre che alcuni modelli sfocati corrispondono a specifici dettagli nitidi: una particolare macchia di pixel marroni e verdi probabilmente rappresenta le singole foglie su un albero, e uno specifico modello sfumato tra rosa e bianco probabilmente rappresenta i pori della pelle e i peli fini.\n\nLe applicazioni di sicurezza e forensi dimostrano il valore pratico della super risoluzione. Una telecamera di sicurezza cattura a distanza una targa a bassa risoluzione. La super risoluzione migliora l'immagine per rendere leggibili i singoli caratteri. Anche se i dettagli generati vengono dedotti anziché acquisiti, le previsioni del modello sono sufficientemente accurate da migliorare l'identificazione in molti casi, a condizione che l'immagine originale contenga sufficienti informazioni a bassa risoluzione.\n\nI modelli a super risoluzione si sono evoluti attraverso diverse architetture. SRCNN (2014) ha dimostrato per primo che le reti neurali hanno sovraperformato l'upscaling tradizionale. EDSR aEDSRCAN miglioraRCANalità con reti più profonde. Approcci più recenti basati sul trasformatore e sulla diffusione generano dettagli ad alta frequenza sempre più realistici. Ogni generazione produce risultati più convincenti e contiene meno artefatti rispetto alla precedente.\n\nModelli di gomma magica levaMagic Eraseresolution nella sua pipeline AI Enhance. QuandoAI Enhancemigliora un'immagine a bassa risoluzione, il sistema applica la super risoluzione per recuperare i dettagli più fini che l'acquisizione originale non è riuscita a registrare. Ciò è particolarmente efficace per ripristinare vecchie fotografie scansionate, migliorare le prime foto degli smartphone e preparare immagini Web a bassa risoluzione per dimensioni di visualizzazione o stampa più grandi. Il modello ad alta risoluzione adatta la generazione dei dettagli al tipo di contenuto rilevato in ciascuna regione dell'immagine, producendo texture della pelle realistiche nei ritratti, testo nitido nelle scansioni di documenti e dettagli del fogliame naturale nelle fotografie di paesaggi anziché applicare un modello di miglioramento unico per tutti.