DalšíDalší průvodce
ESRGAN a GAN Super-Resolution
Vizuální AI
Vizuální průvodce AI
Image super-resolution estimates a higher-resolution image from a lower-resolution input.
Poslechněte si tento návodAI-vyprávěný · ~1 min
Because downsampling discards information, multiple high-resolution scenes may be consistent with one low-resolution image.
Single-image super-resolution is ill-posed because many high-resolution images can yield the same low-resolution observation. SRCNN learns a feed-forward mapping, while ESRGAN improves perceptual sharpness with adversarial/perceptual training. SR3 uses iterative diffusion denoising conditioned on the low-resolution image. Real-ESRGAN models practical degradations, and RealSR supplies real-world paired data. Outputs are estimates and may invent details not present in the input.
SRCNN learns a mapping from a low-resolution image to a higher-resolution output.
ESPCN uses a sub-pixel convolution layer to rearrange feature channels into output pixels.
ESRGAN uses adversarial and perceptual objectives to produce visually sharp images.
RealSR provides captured paired images to evaluate performance under real camera degradation.
Evaluate super-resolution with metrics suited to both distortion and perceptual quality, and keep the input available for comparison. Do not use generated detail as evidence of the original scene in forensic or clinical contexts. Results on synthetic degradations may not transfer to real camera pipelines.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Image super-resolution estimates a higher-resolution image from a lower-resolution input. Because downsampling discards information, multiple high-resolution scenes may be consistent with one low-resolution image.
Snížením dochází ke ztrátě informací, takže se více věrohodných obrázků s vysokým rozlišením mapuje na jeden obrázek s nízkým rozlišením; model musí zvolit nejpravděpodobnější rekonstrukci.
MSE průměruje přes věrohodné výstupy, což vytváří bezpečné, ale rozmazané, příliš vyhlazené obrázky bez ostré textury.
ESRGAN spojuje generátor s diskriminátorem a ztrátou vnímání, povzbuzující textury, které lidé vnímají jako realistické a ostré.
Vzhledem k tomu, že SR halucinuje pravděpodobný detail spíše než získávání zaručené pravdy, vynalezené funkce by mohly být při analýze vysokých sázek zavádějící.
Diffusion SR začíná od šumu a postupně jej odšumuje v závislosti na vstupu s nízkým rozlišením a krok za krokem vytváří realistickou jemnou strukturu.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
ESRGAN a GAN Super-Resolution
Vizuální AI