Il prossimoProssima guida
Superrisoluzione ESRGAN e GAN
IA visiva
GUIDA AI visiva
Image super-resolution estimates a higher-resolution image from a lower-resolution input.
Ascolta questa guidaNarrato dall'IA · ~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 gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
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.
Il ridimensionamento perde informazioni, quindi più immagini plausibili ad alta risoluzione vengono mappate in un'immagine a bassa risoluzione; il modello deve scegliere la ricostruzione più probabile.
MSE fa una media rispetto agli output plausibili, che produce immagini sicure ma sfocate, eccessivamente uniformate e prive di consistenza nitida.
ESRGAN accoppia un generatore con un discriminatore e una perdita percettiva, incoraggiando trame che gli esseri umani percepiscono come realistiche e nitide.
Poiché la SR allucina i dettagli probabili invece di recuperare la verità garantita, le caratteristiche inventate potrebbero fuorviare nelle analisi ad alto rischio.
Diffusion SR parte dal rumore e lo elimina gradualmente in base all'input a bassa risoluzione, costruendo passo dopo passo una struttura fine realistica.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Superrisoluzione ESRGAN e GAN
IA visiva