超分辨率

通过使用在配对的低分辨率和高分辨率图像上训练的深度学习模型，超分辨率超越了简单的升级。在训练过程中，模型学习低分辨率补丁与其高分辨率对应补丁之间的关系。它发现某些模糊图案对应于特定的锐利细节 - 棕色和绿色像素的特定污点可能代表树上的单个叶子，而粉红色和白色的特定渐变图案可能代表皮肤毛孔和细毛。\n\n安全和法医应用证明了超分辨率的实用价值。安全摄像头从远处以低分辨率捕捉车牌。超分辨率增强了图像，使单个字符可读。虽然生成的细节是推断的而不是捕获的，但只要原始图像包含足够的低分辨率信息，模型的预测就足够准确，可以在许多情况下改进识别。\n\n超分辨率模型已经通过多种架构发展起来。 SRCNN (2014) 首先证明神经网络的性能优于传统的升级。 EDSR aEDSR可以通过更深的网络提高RCAN性。最近基于变压器和扩散的方法产生越来越真实的高频细节。每一代都会产生比上一代更令人信服且包含更少工件的结果。\n\n其 AI 增强管道中的 Magic Eraser leverMagic Eraseresolution 模型。当AI Enhance获得低分辨率图像时，系统会应用超分辨率来恢复原始捕获无法记录的精细细节。这对于恢复旧的扫描照片、改进早期智能手机照片以及为更大的显示尺寸或打印准备低分辨率网络图像特别有效。超分辨率模型使其细节生成适应每个图像区域中检测到的内容类型，在肖像中产生逼真的皮肤纹理，在文档扫描中产生清晰的文本，在风景照片中产生自然的树叶细节，而不是应用一刀切的增强模式。