概述
该论文和项目描述了模型架构、退化合成和推理选项；输出是估计值，而非恢复的证据。
深入探讨
Real-ESRGAN (Wang et al., 2021) 研究了使用纯合成数据的盲超分辨率。其高阶退化过程链接了多种模糊、噪声、调整大小和压缩操作，包括用于振铃和过冲伪影的 sinc 滤波器。生成器保留了 ESRGAN 的 RRDB 块；论文描述了一个带有谱归一化的 U-Net 判别器。官方仓库列出了通用和动漫导向的模型，并支持平铺推理。另外，GFPGAN 在其推理脚本中将 Real-ESRGAN 记录为默认的背景上采样器。该记录的配置并非通用用法的证据，也不保证人脸修复质量。生成的细节是估计值，而非恢复的原始信息。
现实世界的实施
论文方法：在退化合成过程中链接模糊、噪声、调整大小和压缩操作。
仓库功能：通用照片和动漫导向的检查点被分别列出。
仓库功能：平铺推理可以降低大输入时的峰值内存占用，但需要考虑边界处理。
GFPGAN 仓库：其记录的推理命令使用 Real-ESRGAN 作为背景上采样器；这是一种既定的集成选项。
Real-ESRGAN 实用修复的未来
根据目标退化和图像类型评估修复效果，检查身份保留情况和幻觉细节。报告检查点、缩放因子、平铺设置和视觉局限性。避免将更清晰的输出视为图像原始内容的证明。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
不断探索
常见问题
什么是 Real-ESRGAN 实际修复？
Real-ESRGAN 是一种盲超分辨率方法，通过旨在近似真实世界图像损坏的合成退化进行训练。该论文和项目描述了模型架构、退化合成和推理选项；输出是估计值，而非恢复的证据。
Real-ESRGAN 解决了原始 ESRGAN 的哪些关键弱点？
最初的 ESRGAN 采用简单的双三次下采样进行训练，并与现实世界的噪声、压缩和模糊作斗争。
Real-ESRGAN 的“高阶退化”模型是什么？
它通过按顺序应用几轮模糊、噪声、下采样和压缩来合成真实的损坏。
Real-ESRGAN 使用什么鉴别器架构？
Real-ESRGAN 使用具有频谱归一化功能的 U-Net 判别器来提供空间详细、稳定的反馈。
Real-ESRGAN 中的“sinc”滤波器会再现哪些伪像？
Sinc 滤波器模拟真实退化图像中常见的振铃和过冲伪影。
Real-ESRGAN 生成器保留了 ESRGAN 的哪些支柱？
Real-ESRGAN 保留了 ESRGAN 的 Residual-in-Residual Dense Block 生成器，并将创新重点放在训练数据上。