Super resolução

A super-resolução vai além do simples upscaling, usando modelos de aprendizagem profunda treinados em imagens emparelhadas de baixa e alta resolução. Durante o treinamento, o modelo aprende a relação entre os patches de baixa resolução e seus equivalentes de alta resolução. Ele descobre que certos padrões borrados correspondem a detalhes nítidos específicos: uma mancha específica de pixels marrons e verdes provavelmente representa folhas individuais de uma árvore, e um padrão de gradiente específico entre rosa e branco provavelmente representa poros da pele e cabelos finos.\n\nAplicações de segurança e forenses demonstram o valor prático da super-resolução. Uma câmera de segurança captura uma placa de carro à distância em baixa resolução. A super resolução aprimora a imagem para tornar os caracteres individuais legíveis. Embora os detalhes gerados sejam inferidos em vez de capturados, as previsões do modelo são precisas o suficiente para melhorar a identificação em muitos casos, desde que a imagem original contenha informações suficientes de baixa resolução.\n\nOs modelos de super-resolução evoluíram através de diversas arquiteturas. SRCNN (2014) demonstrou pela primeira vez que as redes neurais superaram o upscaling tradicional. EDSR aEDSRPODE melhorarRCANalidade com redes mais profundas. Abordagens mais recentes baseadas em transformadores e difusão geram detalhes de alta frequência cada vez mais realistas. Cada geração produz resultados mais convincentes e contém menos artefatos do que a anterior.\n\nO Magic Eraser aproveitaMagic Erasermodelos de solução em seu pipeline do AI Enhance. Ao obter uma imagem de baixa resolução, o sistema aplica super resolução para recuperar detalhes finos que a captura original não conseguiu registrar. Isso é particularmente eficaz para restaurar fotografias digitalizadas antigas, melhorar fotos antigas de smartphones e preparar imagens da Web de baixa resolução para exibição ou impressão em tamanhos maiores. O modelo de super resolução adapta sua geração de detalhes ao tipo de conteúdo detectado em cada região da imagem, produzindo textura de pele realista em retratos, texto nítido em digitalizações de documentos e detalhes naturais de folhagem em fotografias de paisagens, em vez de aplicar um padrão de aprimoramento de tamanho único.