సంక్షిప్త సమాధానం: జత చేసిన తక్కువ మరియు అధిక-రిజల్యూషన్ చిత్రాలపై మోడల్కు శిక్షణ ఇవ్వడం ద్వారా AI అప్స్కేలింగ్ పనిచేస్తుంది, ఆపై అప్స్కేలింగ్ సమయంలో నమ్మదగిన అదనపు పిక్సెల్లను అంచనా వేయడానికి దాన్ని ఉపయోగిస్తుంది. మోడల్ శిక్షణలో ఇలాంటి అల్లికలు లేదా ముఖాలను చూసినట్లయితే, అది నమ్మదగిన వివరాలను జోడించగలదు; కాకపోతే, అది హాలోస్, మైనపు చర్మం లేదా వీడియోలో ఫ్లికర్ వంటి కళాఖండాలను "భ్రాంతులు" చేయవచ్చు.
కీలకమైన అంశాలు:
అంచనా : ఈ నమూనా వాస్తవికత యొక్క హామీ ఇవ్వబడిన పునర్నిర్మాణం కాకుండా, ఆమోదయోగ్యమైన వివరాలను ఉత్పత్తి చేస్తుంది.
మోడల్ ఎంపిక : CNNలు స్థిరంగా ఉంటాయి; GANలు మరింత స్పష్టంగా కనిపించవచ్చు కానీ లక్షణాలను కనిపెట్టే ప్రమాదం ఉంది.
ఆర్టిఫ్యాక్ట్ తనిఖీలు : హాలోస్, పునరావృత అల్లికలు, “దాదాపు అక్షరాలు” మరియు ప్లాస్టిక్ ముఖాల కోసం చూడండి.
వీడియో స్థిరత్వం : తాత్కాలిక పద్ధతులను ఉపయోగించండి లేదా మీరు ఫ్రేమ్-టు-ఫ్రేమ్ షిమ్మర్ మరియు డ్రిఫ్ట్ను చూస్తారు.
అధిక-స్టేక్స్ ఉపయోగం : ఖచ్చితత్వం ముఖ్యమైతే, ప్రాసెసింగ్ను బహిర్గతం చేయండి మరియు ఫలితాలను దృష్టాంతంగా పరిగణించండి.
మీరు బహుశా దీన్ని చూసి ఉంటారు: ఒక చిన్న, కరకరలాడే చిత్రం ముద్రించడానికి, ప్రసారం చేయడానికి లేదా వణుకు పుట్టకుండా ప్రెజెంటేషన్లో ఉంచడానికి తగినంత స్ఫుటమైనదిగా మారుతుంది. ఇది మోసం చేసినట్లు అనిపిస్తుంది. మరియు - ఉత్తమ మార్గంలో - ఇది ఒక విధంగా 😅
కాబట్టి, AI అప్స్కేలింగ్ ఎలా పనిచేస్తుంది అనేది "కంప్యూటర్ వివరాలను మెరుగుపరుస్తుంది" (చేతితో ఉంగరాలుగా ఉండే) కంటే మరింత నిర్దిష్టమైనది మరియు "ఒక మోడల్ చాలా ఉదాహరణల నుండి నేర్చుకున్న నమూనాల ఆధారంగా ఆమోదయోగ్యమైన అధిక-రిజల్యూషన్ నిర్మాణాన్ని అంచనా వేస్తుంది" ( డీప్ లెర్నింగ్ ఫర్ ఇమేజ్ సూపర్-రిజల్యూషన్: ఎ సర్వే ) కు దగ్గరగా ఉంటుంది. ఆ అంచనా దశ మొత్తం ఆట - మరియు అందుకే AI అప్స్కేలింగ్ అద్భుతంగా కనిపిస్తుంది... లేదా కొంచెం ప్లాస్టిక్గా... లేదా మీ పిల్లి బోనస్ మీసాలు పెరిగినట్లు కనిపిస్తుంది.
దీని తర్వాత మీరు చదవడానికి ఇష్టపడే కథనాలు:
🔗 AI ఎలా పనిచేస్తుంది
AIలో నమూనాలు, డేటా మరియు అనుమితి యొక్క ప్రాథమికాలను తెలుసుకోండి.
🔗 AI ఎలా నేర్చుకుంటుంది
శిక్షణ డేటా మరియు అభిప్రాయం కాలక్రమేణా మోడల్ పనితీరును ఎలా మెరుగుపరుస్తాయో చూడండి.
🔗 AI క్రమరాహిత్యాలను ఎలా గుర్తిస్తుంది
నమూనా ప్రాథమికాలను మరియు AI అసాధారణ ప్రవర్తనను త్వరగా ఎలా ఫ్లాగ్ చేస్తుందో అర్థం చేసుకోండి.
🔗 AI ట్రెండ్లను ఎలా అంచనా వేస్తుంది
సంకేతాలను గుర్తించి భవిష్యత్తు డిమాండ్ను అంచనా వేసే అంచనా పద్ధతులను అన్వేషించండి.
AI అప్స్కేలింగ్ ఎలా పనిచేస్తుంది: ప్రధాన ఆలోచన, రోజువారీ మాటలలో 🧩
అప్స్కేలింగ్ అంటే రిజల్యూషన్ పెంచడం: ఎక్కువ పిక్సెల్లు, పెద్ద ఇమేజ్. సాంప్రదాయ అప్స్కేలింగ్ (బైక్యూబిక్ లాగా) ప్రాథమికంగా పిక్సెల్లను విస్తరించి పరివర్తనలను సున్నితంగా చేస్తుంది ( బైక్యూబిక్ ఇంటర్పోలేషన్ కొత్త కనిపెట్టలేదు - ఇది ఇంటర్పోలేట్ చేస్తుంది.
AI అప్స్కేలింగ్ మరింత ధైర్యమైనదాన్ని (పరిశోధన ప్రపంచంలో "సూపర్-రిజల్యూషన్" అని కూడా పిలుస్తారు) ప్రయత్నిస్తుంది ( డీప్ లెర్నింగ్ ఫర్ ఇమేజ్ సూపర్-రిజల్యూషన్: ఎ సర్వే ):
-
ఇది తక్కువ-రిజల్యూషన్ ఇన్పుట్ను చూస్తుంది
-
నమూనాలను గుర్తిస్తుంది (అంచులు, అల్లికలు, ముఖ లక్షణాలు, టెక్స్ట్ స్ట్రోక్లు, ఫాబ్రిక్ నేత...)
-
అధిక రిజల్యూషన్ వెర్షన్ ఎలా ఉండాలో అంచనా
-
ఆ నమూనాలకు సరిపోయే అదనపు పిక్సెల్ డేటాను ఉత్పత్తి చేస్తుంది
"వాస్తవికతను పరిపూర్ణంగా పునరుద్ధరించడం" కాదు, "చాలా నమ్మదగిన అంచనా వేయడం" లాంటిది ( ఇమేజ్ సూపర్-రిజల్యూషన్ యూజింగ్ డీప్ కన్వల్యూషనల్ నెట్వర్క్స్ (SRCNN) ). అది కొంచెం అనుమానాస్పదంగా అనిపిస్తే, మీరు తప్పు కాదు - కానీ అది అంత బాగా పనిచేయడానికి అదే కారణం 😄
మరియు అవును, దీని అర్థం AI అప్స్కేలింగ్ ప్రాథమికంగా నియంత్రిత భ్రాంతులు... కానీ ఉత్పాదకతతో, పిక్సెల్-గౌరవనీయమైన రీతిలో.
AI అప్స్కేలింగ్ యొక్క మంచి వెర్షన్ను ఏది చేస్తుంది? ✅🛠️
మీరు AI అప్స్కేలర్ (లేదా సెట్టింగ్ ప్రీసెట్)ను అంచనా వేస్తుంటే, ఇక్కడ అత్యంత ముఖ్యమైనది ఏమిటంటే:
-
అతిగా ఉడికించకుండా డీటైల్ రికవరీ
మంచి అప్స్కేలింగ్ స్ఫుటత మరియు నిర్మాణాన్ని జోడిస్తుంది, క్రంచీ శబ్దం లేదా నకిలీ రంధ్రాలను కాదు. -
అంచుల క్రమశిక్షణ
శుభ్రమైన లైన్లు శుభ్రంగా ఉంటాయి. చెడు నమూనాలు అంచులను కదిలించేలా చేస్తాయి లేదా హాలోస్ను మొలకెత్తిస్తాయి. -
టెక్స్చర్ రియలిజం
జుట్టు పెయింట్ బ్రష్ స్ట్రోక్ గా మారకూడదు. ఇటుక పునరావృతమయ్యే నమూనా స్టాంప్ గా మారకూడదు. -
శబ్దం మరియు కుదింపు నిర్వహణ
రోజువారీ చిత్రాలు చాలా వరకు JPEGలో చనిపోతాయి. మంచి అప్స్కేలర్ ఆ నష్టాన్ని విస్తరించదు ( రియల్-ESRGAN ). -
ముఖం మరియు వచన అవగాహన
ముఖాలు మరియు వచనం తప్పులను గుర్తించడానికి సులభమైన ప్రదేశాలు. మంచి నమూనాలు వాటిని సున్నితంగా పరిగణిస్తాయి (లేదా ప్రత్యేకమైన మోడ్లను కలిగి ఉంటాయి). -
ఫ్రేమ్ల అంతటా స్థిరత్వం (వీడియో కోసం)
వివరాలు ఫ్రేమ్-టు-ఫ్రేమ్లో మిణుకుమిణుకుమంటూ ఉంటే, మీ కళ్ళు అరుస్తాయి. వీడియో అప్స్కేలింగ్ తాత్కాలిక స్థిరత్వం ద్వారా జీవిస్తుంది లేదా చనిపోతుంది ( BasicVSR (CVPR 2021) ). -
అర్థవంతమైన నియంత్రణలు
మీకు నిజమైన ఫలితాలకు మ్యాప్ చేసే స్లయిడర్లు కావాలి: శబ్దం తగ్గించడం, బ్లర్ చేయడం, కళాఖండ తొలగింపు, ధాన్యం నిలుపుదల, పదును పెట్టడం... ఆచరణాత్మక అంశాలు.
ఒక నిశ్శబ్ద నియమం నిలుస్తుంది: "ఉత్తమ" అప్స్కేలింగ్ అనేది మీరు గమనించనిది. 📷✨ తో ప్రారంభించడానికి మీకు మంచి కెమెరా ఉన్నట్లు కనిపిస్తోంది
పోలిక పట్టిక: ప్రసిద్ధ AI అప్స్కేలింగ్ ఎంపికలు (మరియు అవి దేనికి మంచివి) 📊🙂
క్రింద ఒక ఆచరణాత్మక పోలిక ఉంది. ధరలు ఉద్దేశపూర్వకంగా అస్పష్టంగా ఉన్నాయి ఎందుకంటే సాధనాలు లైసెన్స్, బండిల్స్, కంప్యూట్ ఖర్చులు మరియు అన్ని సరదా విషయాలను బట్టి మారుతూ ఉంటాయి.
| సాధనం / విధానం | దీనికి ఉత్తమమైనది | ధరల వాతావరణం | ఇది ఎందుకు పనిచేస్తుంది (సుమారుగా) |
|---|---|---|---|
| టోపాజ్-శైలి డెస్క్టాప్ అప్స్కేలర్లు ( టోపాజ్ ఫోటో , టోపాజ్ వీడియో ) | ఫోటోలు, వీడియో, సులభమైన పని విధానం | చెల్లింపు | బలమైన సాధారణ నమూనాలు + చాలా ట్యూనింగ్, "పని చేస్తాయి"... ఎక్కువగా |
| అడోబ్ “సూపర్ రిజల్యూషన్” రకం లక్షణాలు ( అడోబ్ ఎన్హాన్స్ > సూపర్ రిజల్యూషన్ ) | ఆ పర్యావరణ వ్యవస్థలో ఇప్పటికే ఉన్న ఫోటోగ్రాఫర్లు | సబ్స్క్రిప్షన్-y | ఘన వివరాల పునర్నిర్మాణం, సాధారణంగా సంప్రదాయవాద (తక్కువ నాటకీయత) |
| రియల్-ESRGAN / ESRGAN వేరియంట్లు ( రియల్-ESRGAN , ESRGAN ) | DIY, డెవలపర్లు, బ్యాచ్ ఉద్యోగాలు | ఉచితం (కానీ సమయం-ఖర్చుతో కూడుకున్నది) | ఆకృతి వివరాలలో గొప్పది, మీరు జాగ్రత్తగా లేకపోతే ముఖాలపై కారంగా ఉంటుంది |
| డిఫ్యూజన్-ఆధారిత అప్స్కేలింగ్ మోడ్లు ( SR3 ) | సృజనాత్మక పని, శైలీకృత ఫలితాలు | మిశ్రమ | అందమైన వివరాలను సృష్టించగలదు - అర్ధంలేని విషయాలను కూడా కనిపెట్టగలదు, కాబట్టి... అవును |
| గేమ్ అప్స్కేలర్లు (DLSS/FSR-శైలి) ( NVIDIA DLSS , AMD FSR 2 ) | రియల్-టైమ్ గేమింగ్ మరియు రెండరింగ్ | బండిల్ చేయబడింది | మోషన్ డేటా మరియు నేర్చుకున్న ప్రియర్లను ఉపయోగిస్తుంది - సున్నితమైన పనితీరు విజయం 🕹️ |
| క్లౌడ్ అప్స్కేలింగ్ సేవలు | సౌలభ్యం, శీఘ్ర విజయాలు | పే-పర్-యూజ్ | వేగంగా + స్కేలబుల్, కానీ మీరు నియంత్రణను మరియు కొన్నిసార్లు సూక్ష్మత్వాన్ని వర్తకం చేస్తారు |
| వీడియో-కేంద్రీకృత AI అప్స్కేలర్లు ( BasicVSR , టోపాజ్ వీడియో ) | పాత ఫుటేజ్, అనిమే, ఆర్కైవ్లు | చెల్లింపు | ఫ్లికర్ + ప్రత్యేక వీడియో నమూనాలను తగ్గించడానికి తాత్కాలిక ఉపాయాలు |
| “స్మార్ట్” ఫోన్/గ్యాలరీ అప్స్కేలింగ్ | సాధారణ వినియోగం | చేర్చబడింది | తేలికైన మోడల్లు పరిపూర్ణత కోసం కాదు, ఆహ్లాదకరమైన అవుట్పుట్ కోసం ట్యూన్ చేయబడ్డాయి (ఇప్పటికీ ఉపయోగకరంగా ఉంది) |
విచిత్ర ఒప్పుకోలు ఫార్మాట్ చేయడం: “పెయిడ్-ఇష్” ఆ పట్టికలో చాలా పని చేస్తోంది. కానీ మీకు అర్థమవుతుంది 😅
పెద్ద రహస్యం: మోడల్స్ తక్కువ-రిజల్యూషన్ నుండి అధిక-రిజల్యూషన్ వరకు మ్యాపింగ్ నేర్చుకుంటారు 🧠➡️🖼️
చాలా AI అప్స్కేలింగ్లకు గుండె వద్ద పర్యవేక్షించబడే అభ్యాస సెటప్ ఉంది ( ఇమేజ్ సూపర్-రిజల్యూషన్ యూజింగ్ డీప్ కన్వల్యూషనల్ నెట్వర్క్స్ (SRCNN) ):
-
అధిక రిజల్యూషన్ చిత్రాలతో ప్రారంభించండి ("సత్యం")
-
వాటిని తక్కువ రిజల్యూషన్ వెర్షన్లకు (“ఇన్పుట్”) తగ్గించండి
-
తక్కువ-రిజల్యూషన్ నుండి అసలు హై-రిజల్యూషన్ను పునర్నిర్మించడానికి ఒక మోడల్కు శిక్షణ ఇవ్వండి
కాలక్రమేణా, మోడల్ ఇలాంటి సహసంబంధాలను నేర్చుకుంటుంది:
-
"కంటి చుట్టూ ఉండే ఈ రకమైన అస్పష్టత సాధారణంగా కనురెప్పలకు చెందుతుంది"
-
"ఈ పిక్సెల్ క్లస్టర్ తరచుగా సెరిఫ్ టెక్స్ట్ను సూచిస్తుంది"
-
"ఈ అంచు ప్రవణత యాదృచ్ఛిక శబ్దంలా కాకుండా పైకప్పు రేఖలా కనిపిస్తుంది"
ఇది నిర్దిష్ట చిత్రాలను గుర్తుంచుకోవడం కాదు (సాధారణ అర్థంలో), ఇది గణాంక నిర్మాణాన్ని నేర్చుకోవడం ( డీప్ లెర్నింగ్ ఫర్ ఇమేజ్ సూపర్-రిజల్యూషన్: ఎ సర్వే ). దీనిని టెక్స్చర్స్ మరియు అంచుల వ్యాకరణాన్ని నేర్చుకోవడం లాగా ఆలోచించండి. కవిత్వ వ్యాకరణం కాదు,... IKEA మాన్యువల్ వ్యాకరణం 🪑📦 (క్లంకీ రూపకం, అయినప్పటికీ తగినంత దగ్గరగా).
నట్స్ మరియు బోల్ట్స్: అనుమితి సమయంలో ఏమి జరుగుతుంది (మీరు అప్స్కేల్ చేసినప్పుడు) ⚙️✨
మీరు ఒక చిత్రాన్ని AI అప్స్కేలర్లోకి ఫీడ్ చేసినప్పుడు, సాధారణంగా ఇలాంటి పైప్లైన్ ఉంటుంది:
-
ప్రీప్రాసెసింగ్
-
రంగు స్థలాన్ని మార్చండి (కొన్నిసార్లు)
-
పిక్సెల్ విలువలను సాధారణీకరించు
-
చిత్రం పెద్దగా ఉంటే భాగాలుగా టైల్ చేయండి (VRAM రియాలిటీ చెక్ 😭) ( రియల్-ESRGAN రెపో (టైల్ ఎంపికలు) )
-
-
ఫీచర్ వెలికితీత
-
తొలి పొరలు అంచులు, మూలలు, ప్రవణతలను గుర్తిస్తాయి
-
లోతైన పొరలు నమూనాలను గుర్తిస్తాయి: అల్లికలు, ఆకారాలు, ముఖ భాగాలు
-
-
పునర్నిర్మాణం
-
ఈ మోడల్ అధిక-రిజల్యూషన్ ఫీచర్ మ్యాప్ను రూపొందిస్తుంది
-
తరువాత దానిని వాస్తవ పిక్సెల్ అవుట్పుట్గా మారుస్తుంది
-
-
పోస్ట్-ప్రాసెసింగ్
-
ఐచ్ఛిక పదునుపెట్టడం
-
ఐచ్ఛిక డినోయిస్
-
ఐచ్ఛిక కళాకృతి అణచివేత (రింగింగ్, హాలోస్, బ్లాకినెస్)
-
ఒక సూక్ష్మమైన వివరాలు: టైల్స్లో చాలా ఉపకరణాలు ఉన్నత స్థాయిని కలిగి ఉంటాయి, తరువాత అతుకులను మిళితం చేస్తాయి. గొప్ప ఉపకరణాలు టైల్ సరిహద్దులను దాచిపెడతాయి. మీరు మెల్లగా చూస్తే మెహ్ టూల్స్ మందమైన గ్రిడ్ గుర్తులను వదిలివేస్తాయి. మరియు అవును, మీరు మెల్లగా చూస్తారు, ఎందుకంటే మానవులు చిన్న గ్రెమ్లిన్ల వలె 300% జూమ్లో చిన్న లోపాలను పరిశీలించడానికి ఇష్టపడతారు 🧌
AI అప్స్కేలింగ్ కోసం ఉపయోగించే ప్రధాన మోడల్ కుటుంబాలు (మరియు అవి ఎందుకు భిన్నంగా అనిపిస్తాయి) 🤖📚
1) CNN-ఆధారిత సూపర్-రిజల్యూషన్ (క్లాసిక్ వర్క్హోర్స్)
కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్లు స్థానిక నమూనాలలో గొప్పవి: అంచులు, అల్లికలు, చిన్న నిర్మాణాలు ( ఇమేజ్ సూపర్-రిజల్యూషన్ యూజింగ్ డీప్ కన్వల్యూషనల్ నెట్వర్క్స్ (SRCNN) ).
-
ప్రోస్: వేగవంతమైనది, స్థిరమైనది, తక్కువ ఆశ్చర్యకరమైనవి
-
కాన్స్: గట్టిగా నొక్కితే కొంచెం “ప్రాసెస్ చేయబడినట్లు” కనిపిస్తుంది
2) GAN-ఆధారిత అప్స్కేలింగ్ (ESRGAN-శైలి) 🎭
GANలు (జనరేటివ్ అడ్వర్సరియల్ నెట్వర్క్లు) ఒక జనరేటర్కు అధిక-రిజల్యూషన్ చిత్రాలను ఉత్పత్తి చేయడానికి శిక్షణ ఇస్తాయి, వీటిని వివక్షత చూపేవారు నిజమైన వాటి నుండి వేరు చేయలేరు ( జనరేటివ్ అడ్వర్సరియల్ నెట్వర్క్లు ).
-
ప్రోస్: ఆకర్షణీయమైన వివరాలు, ఆకట్టుకునే ఆకృతి
-
ప్రతికూలతలు: అక్కడ లేని వివరాలను కనిపెట్టవచ్చు - కొన్నిసార్లు తప్పు, కొన్నిసార్లు వింత ( SRGAN , ESRGAN )
ఒక GAN మీకు ఊపిరి పీల్చుకునేంత పదును ఇవ్వగలదు. ఇది మీ పోర్ట్రెయిట్ సబ్జెక్ట్కి అదనపు కనుబొమ్మను కూడా ఇవ్వగలదు. కాబట్టి... మీ యుద్ధాలను ఎంచుకోండి 😬
3) విస్తరణ-ఆధారిత అప్స్కేలింగ్ (సృజనాత్మక వైల్డ్కార్డ్) 🌫️➡️🖼️
డిఫ్యూజన్ మోడల్లు దశలవారీగా శబ్దాన్ని తగ్గిస్తాయి మరియు అధిక-రిజల్యూషన్ వివరాలను ( SR3 ) ఉత్పత్తి చేయడానికి మార్గనిర్దేశం చేయబడతాయి.
-
ప్రోస్: ఆమోదయోగ్యమైన వివరాలలో, ముఖ్యంగా సృజనాత్మక పనికి చాలా మంచిగా ఉంటుంది
-
ప్రతికూలతలు: సెట్టింగులు దూకుడుగా ఉంటే అసలు గుర్తింపు/నిర్మాణం నుండి దూరంగా వెళ్ళవచ్చు ( SR3 )
ఇక్కడే “అప్స్కేలింగ్” “పునఃకల్పన”లో కలిసిపోవడం ప్రారంభమవుతుంది. కొన్నిసార్లు మీరు కోరుకునేది అదే అవుతుంది. కొన్నిసార్లు అది కాకపోవచ్చు.
4) తాత్కాలిక స్థిరత్వంతో వీడియో అప్స్కేలింగ్ 🎞️
వీడియో అప్స్కేలింగ్ తరచుగా చలన-అవేర్ లాజిక్ను జోడిస్తుంది:
-
వివరాలను స్థిరీకరించడానికి పొరుగు ఫ్రేమ్లను ఉపయోగిస్తుంది ( BasicVSR (CVPR 2021) )
-
ఫ్లికర్ మరియు క్రాల్ చేసే కళాఖండాలను నివారించడానికి ప్రయత్నిస్తుంది
-
తరచుగా సూపర్-రిజల్యూషన్ను డినోయిస్ మరియు డీఇంటర్లేసింగ్తో కలుపుతుంది ( టోపాజ్ వీడియో )
ఇమేజ్ అప్స్కేలింగ్ ఒక పెయింటింగ్ను పునరుద్ధరించడం లాంటిది అయితే, వీడియో అప్స్కేలింగ్ అనేది పాత్ర ముక్కు ప్రతి పేజీ ఆకారాన్ని మార్చకుండా ఫ్లిప్బుక్ను పునరుద్ధరించడం లాంటిది. ఇది... అది వినిపించే దానికంటే కష్టం.
AI అప్స్కేలింగ్ కొన్నిసార్లు నకిలీగా ఎందుకు కనిపిస్తుంది (మరియు దానిని ఎలా గుర్తించాలి) 👀🚩
AI అప్స్కేలింగ్ గుర్తించదగిన మార్గాల్లో విఫలమవుతుంది. మీరు నమూనాలను నేర్చుకున్న తర్వాత, మీరు వాటిని ప్రతిచోటా చూస్తారు, కొత్త కారు కొనడం మరియు ప్రతి వీధిలో అకస్మాత్తుగా ఆ మోడల్ను గమనించడం వంటివి 😵💫
సాధారణంగా చెప్పేది:
-
వ్యాక్స్ స్కిన్ (ఎక్కువ శబ్దం తొలగించడం + నునుపుగా చేయడం)
-
అతిగా పదునుపెట్టిన హాలోస్ (క్లాసిక్ “ఓవర్షూట్” టెరిటరీ) ( బైక్యూబిక్ ఇంటర్పోలేషన్ )
-
పునరావృత అల్లికలు (ఇటుక గోడలు కాపీ-పేస్ట్ నమూనాలుగా మారుతాయి)
-
"అల్గోరిథం" అని అరిచే క్రంచీ మైక్రో-కాంట్రాస్ట్
-
టెక్స్ట్ మాంగ్లింగ్ (చెత్త రకం)
-
SR3 ) చిన్న లక్షణాలు సూక్ష్మంగా మారే వివరాల ప్రవాహం
గమ్మత్తైన విషయం ఏమిటంటే: కొన్నిసార్లు ఈ కళాఖండాలు ఒక్క చూపులో "మెరుగైనవి"గా కనిపిస్తాయి. మీ మెదడుకు పదును ఇష్టం. కానీ ఒక క్షణం తర్వాత, అది... పనికిరానిదిగా అనిపిస్తుంది.
ఒక మంచి వ్యూహం ఏమిటంటే, జూమ్ అవుట్ చేసి, సాధారణ వీక్షణ దూరంలో అది సహజంగా కనిపిస్తుందో లేదో తనిఖీ చేయడం. 400% జూమ్లో మాత్రమే అది బాగా కనిపిస్తే, అది విజయం కాదు, అది ఒక అభిరుచి 😅
AI అప్స్కేలింగ్ ఎలా పనిచేస్తుంది: గణిత తలనొప్పి లేకుండా శిక్షణ వైపు 📉🙂
సూపర్-రిజల్యూషన్ మోడల్లకు శిక్షణ ఇవ్వడంలో సాధారణంగా ఇవి ఉంటాయి:
-
జత చేసిన డేటాసెట్లు (తక్కువ-రిజల్యూషన్ ఇన్పుట్, అధిక-రిజల్యూషన్ లక్ష్యం) ( డీప్ కన్వల్యూషనల్ నెట్వర్క్లను ఉపయోగించి ఇమేజ్ సూపర్-రిజల్యూషన్ (SRCNN) )
-
తప్పు పునర్నిర్మాణాలను శిక్షించే నష్ట విధులు SRGAN )
సాధారణ నష్ట రకాలు:
-
పిక్సెల్ నష్టం (L1/L2)
ఖచ్చితత్వాన్ని ప్రోత్సహిస్తుంది. కొంచెం మృదువైన ఫలితాలను ఇవ్వగలదు. -
గ్రహణ నష్టం అనేది
ఖచ్చితమైన పిక్సెల్ల కంటే లోతైన లక్షణాలను (“ఇది సారూప్యంగా ఉందా” వంటివి) పోల్చి చూస్తుంది ( గ్రహణ నష్టాలు (జాన్సన్ మరియు ఇతరులు, 2016) ). -
వ్యతిరేక ప్రతికూల నష్టం (GAN)
వాస్తవికతను ప్రోత్సహిస్తుంది, కొన్నిసార్లు సాహిత్య ఖచ్చితత్వాన్ని పణంగా పెడుతుంది ( SRGAN , జనరేటివ్ అడ్వర్సరియల్ నెట్వర్క్లు ).
నిరంతరం గొడవ జరుగుతూనే ఉంటుంది:
-
అసలు
vs నమ్మకంగా ఉండేలా చేయండి -
దీన్ని దృశ్యపరంగా ఆహ్లాదకరంగా
ఆ స్పెక్ట్రంలో వేర్వేరు ప్రదేశాలలో వేర్వేరు ఉపకరణాలు ల్యాండ్ అవుతాయి. మరియు మీరు కుటుంబ ఫోటోలను పునరుద్ధరిస్తున్నారా లేదా ఫోరెన్సిక్ ఖచ్చితత్వం కంటే “మంచిగా కనిపించడం” ముఖ్యమైన పోస్టర్ను సిద్ధం చేస్తున్నారా అనే దానిపై ఆధారపడి మీరు ఒకదాన్ని ఎంచుకోవచ్చు.
ఆచరణాత్మక వర్క్ఫ్లోలు: ఫోటోలు, పాత స్కాన్లు, అనిమే మరియు వీడియో 📸🧾🎥
ఫోటోలు (పోర్ట్రెయిట్లు, ల్యాండ్స్కేప్లు, ఉత్పత్తి షాట్లు)
ఉత్తమ అభ్యాసం సాధారణంగా:
-
ముందుగా తేలికపాటి శబ్ద తొలగింపు (అవసరమైతే)
-
సాంప్రదాయిక సెట్టింగ్లతో ఉన్నత స్థాయి
-
విషయాలు చాలా సున్నితంగా అనిపిస్తే ధాన్యాన్ని తిరిగి జోడించండి (అవును, నిజంగా)
ధాన్యం ఉప్పు లాంటిది. ఎక్కువైతే రాత్రి భోజనం పాడవుతుంది, కానీ ఏ ధాన్యం కూడా ఉప్పు రుచి చూడదు 🍟
పాత స్కాన్లు మరియు భారీగా కుదించబడిన చిత్రాలు
మోడల్ కంప్రెషన్ బ్లాక్లను “టెక్చర్” గా పరిగణించవచ్చు కాబట్టి ఇవి కష్టం.
ప్రయత్నించండి:
-
కళాకృతి తొలగింపు లేదా డీబ్లాకింగ్
-
తర్వాత ఉన్నత స్థాయి
-
తర్వాత తేలికగా పదును పెట్టడం (ఎక్కువ కాదు... నాకు తెలుసు, అందరూ అలా అంటారు, కానీ ఇప్పటికీ)
అనిమే మరియు లైన్ ఆర్ట్
లైన్ ఆర్ట్ వల్ల కలిగే ప్రయోజనాలు:
-
శుభ్రమైన అంచులను సంరక్షించే నమూనాలు
-
తగ్గిన ఆకృతి భ్రాంతులు
ఆకారాలు సరళంగా మరియు స్థిరంగా ఉండటం వల్ల అనిమే అప్స్కేలింగ్ తరచుగా గొప్పగా కనిపిస్తుంది. (అదృష్టవంతుడు.)
వీడియో
వీడియో అదనపు దశలను జోడిస్తుంది:
-
శబ్దాన్ని తొలగించు
-
డీఇంటర్లేస్ (కొన్ని మూలాల కోసం)
-
ఉన్నత స్థాయి
-
తాత్కాలిక స్మూతింగ్ లేదా స్టెబిలైజేషన్ ( BasicVSR (CVPR 2021) )
-
సంశ్లేషణ కోసం ఐచ్ఛిక ధాన్యం పునఃప్రవేశం
మీరు తాత్కాలిక స్థిరత్వాన్ని దాటవేస్తే, మీకు ఆ మెరిసే వివరాల మిణుకుమిణుకుమంటుంది. మీరు దానిని ఒకసారి గమనించిన తర్వాత, మీరు దానిని చూడలేరు. నిశ్శబ్ద గదిలో కీచుమనే కుర్చీలా 😖
విపరీతంగా ఊహించకుండా సెట్టింగ్లను ఎంచుకోవడం (ఒక చిన్న చీట్ షీట్) 🎛️😵💫
ఇక్కడ ఒక మంచి ప్రారంభ మనస్తత్వం ఉంది:
-
ముఖాలు ప్లాస్టిక్గా కనిపిస్తే
శబ్దం తగ్గడం, పదును పెట్టడం తగ్గించడం, ముఖాన్ని సంరక్షించే మోడల్ లేదా మోడ్ను ప్రయత్నించండి. -
టెక్స్చర్లు చాలా తీవ్రంగా కనిపిస్తే
దిగువ “వివరాలు మెరుగుదల” లేదా “వివరాలను పునరుద్ధరించు” స్లయిడర్లు, తర్వాత సూక్ష్మమైన గ్రెయిన్ను జోడించండి. -
అంచులు మెరుస్తుంటే
పదును పెట్టడాన్ని తగ్గించి, హాలో సప్రెషన్ ఎంపికలను తనిఖీ చేయండి. -
చిత్రం చాలా "AI"గా కనిపిస్తే
మరింత సంప్రదాయవాదంగా వెళ్లండి. కొన్నిసార్లు ఉత్తమ ఎత్తుగడ కేవలం... తక్కువ.
ఇంకా: మీరు చేయగలరు కాబట్టి 8x ని అప్స్కేల్ చేయవద్దు. క్లీన్ 2x లేదా 4x తరచుగా స్వీట్ స్పాట్. దానికంటే ముందు, మీరు మోడల్ని మీ పిక్సెల్ల గురించి ఫ్యాన్ ఫిక్షన్ రాయమని అడుగుతున్నారు 📖😂
నీతి, ప్రామాణికత మరియు "సత్యం" యొక్క ఇబ్బందికరమైన ప్రశ్న 🧭😬
AI అప్స్కేలింగ్ ఒక లైన్ను అస్పష్టం చేస్తుంది:
-
పునరుద్ధరణ అంటే అక్కడ ఉన్నదాన్ని తిరిగి పొందడం
-
వృద్ధి అంటే లేనిదాన్ని జోడించడం
వ్యక్తిగత ఫోటోల విషయంలో, ఇది సాధారణంగా బాగానే ఉంటుంది (మరియు అందంగా ఉంటుంది). జర్నలిజం, చట్టపరమైన ఆధారాలు, వైద్య ఇమేజింగ్ లేదా విశ్వసనీయత ముఖ్యమైన ఏదైనా... మీరు జాగ్రత్తగా ఉండాలి ( OSAC/NIST: స్టాండర్డ్ గైడ్ ఫర్ ఫోరెన్సిక్ డిజిటల్ ఇమేజ్ మేనేజ్మెంట్ , SWGDE గైడ్లైన్స్ ఫర్ ఫోరెన్సిక్ ఇమేజ్ అనాలిసిస్ ).
ఒక సాధారణ నియమం:
-
ఒకవేళ అవకాశాలు ఎక్కువగా ఉంటే, AI అప్స్కేలింగ్ను నిశ్చయాత్మకంగా కాకుండా, వివరణాత్మకంగా పరిగణించండి.
అలాగే, ప్రొఫెషనల్ సందర్భాలలో బహిర్గతం ముఖ్యం. AI చెడు కాబట్టి కాదు, కానీ ప్రేక్షకులు వివరాలు పునర్నిర్మించబడ్డాయా లేదా సంగ్రహించబడ్డాయా అని తెలుసుకోవడానికి అర్హులు. అది కేవలం... గౌరవప్రదమైనది.
ముగింపు గమనికలు మరియు శీఘ్ర పునశ్చరణ 🧡✅
కాబట్టి, AI అప్స్కేలింగ్ ఎలా పనిచేస్తుందంటే : మోడల్లు అధిక-రిజల్యూషన్ వివరాలు తక్కువ-రిజల్యూషన్ నమూనాలకు ఎలా సంబంధం కలిగి ఉంటాయో డీప్ లెర్నింగ్ ఫర్ ఇమేజ్ సూపర్-రిజల్యూషన్: ఎ సర్వే ). మోడల్ ఫ్యామిలీ (CNN, GAN, డిఫ్యూజన్, వీడియో-టెంపోరల్) ఆధారంగా, ఆ అంచనా సంప్రదాయవాదంగా మరియు నమ్మకంగా ఉంటుంది... లేదా బోల్డ్గా మరియు కొన్నిసార్లు అతుక్కోకుండా ఉంటుంది 😅
త్వరిత రీక్యాప్
-
సాంప్రదాయ అప్స్కేలింగ్ పిక్సెల్లను విస్తరించింది ( బైక్యూబిక్ ఇంటర్పోలేషన్ )
-
నేర్చుకున్న నమూనాలను ఉపయోగించి AI అప్స్కేలింగ్ తప్పిపోయిన వివరాలను అంచనా వేస్తుంది ( ఇమేజ్ సూపర్-రిజల్యూషన్ యూజింగ్ డీప్ కన్వల్యూషనల్ నెట్వర్క్స్ (SRCNN) )
-
సరైన మోడల్ + నియంత్రణ నుండి గొప్ప ఫలితాలు వస్తాయి
-
వీడియోలో హాలోస్, మైనపు ముఖాలు, పునరావృతమయ్యే అల్లికలు మరియు ఫ్లికర్ కోసం చూడండి ( BasicVSR (CVPR 2021) )
-
అప్స్కేలింగ్ అనేది తరచుగా “ఆమోదయోగ్యమైన పునర్నిర్మాణం”, పరిపూర్ణ సత్యం కాదు ( SRGAN , ESRGAN )
మీకు కావాలంటే, మీరు దేనిని అప్స్కేలింగ్ చేస్తున్నారో (ముఖాలు, పాత ఫోటోలు, వీడియో, అనిమే, టెక్స్ట్ స్కాన్లు) నాకు చెప్పండి, సాధారణ “AI లుక్” లోపాలను తప్పించుకునే సెట్టింగ్ల వ్యూహాన్ని నేను సూచిస్తాను 🎯🙂
ఎఫ్ ఎ క్యూ
AI అప్స్కేలింగ్ మరియు అది ఎలా పనిచేస్తుంది
AI అప్స్కేలింగ్ (తరచుగా "సూపర్-రిజల్యూషన్" అని పిలుస్తారు) శిక్షణ సమయంలో నేర్చుకున్న నమూనాల నుండి అధిక-రిజల్యూషన్ వివరాలను కోల్పోవడాన్ని అంచనా వేయడం ద్వారా చిత్రం యొక్క రిజల్యూషన్ను పెంచుతుంది. బైక్యూబిక్ ఇంటర్పోలేషన్ వంటి పిక్సెల్లను సాగదీయడానికి బదులుగా, ఒక మోడల్ అంచులు, అల్లికలు, ముఖాలు మరియు టెక్స్ట్ లాంటి స్ట్రోక్లను అధ్యయనం చేస్తుంది, ఆపై ఆ నేర్చుకున్న నమూనాలతో కలిసి ఉండే కొత్త పిక్సెల్ డేటాను ఉత్పత్తి చేస్తుంది. ఇది తక్కువ "వాస్తవికతను పునరుద్ధరించడం" మరియు సహజంగా చదివే "నమ్మదగిన అంచనాను తయారు చేయడం".
AI అప్స్కేలింగ్ vs బైక్యూబిక్ లేదా సాంప్రదాయ పునఃపరిమాణం
సాంప్రదాయ అప్స్కేలింగ్ పద్ధతులు (బైక్యూబిక్ వంటివి) ప్రధానంగా ఉన్న పిక్సెల్ల మధ్య ఇంటర్పోలేట్ చేస్తాయి, నిజమైన కొత్త వివరాలను సృష్టించకుండా పరివర్తనలను సున్నితంగా చేస్తాయి. AI అప్స్కేలింగ్ దృశ్య సంకేతాలను గుర్తించడం ద్వారా మరియు ఆ సంకేతాల యొక్క అధిక-రిజల్యూషన్ వెర్షన్లు ఎలా కనిపిస్తాయో అంచనా వేయడం ద్వారా ఆమోదయోగ్యమైన నిర్మాణాన్ని పునర్నిర్మించడం లక్ష్యంగా పెట్టుకుంది. అందుకే AI ఫలితాలు నాటకీయంగా పదునుగా అనిపించవచ్చు మరియు అవి మూలాధారంలో లేని కళాఖండాలను పరిచయం చేయగలవు లేదా "కనిపెట్టగలవు".
ముఖాలు ఎందుకు మైనపులాగా లేదా అతిగా నునుపుగా కనిపిస్తాయి
మైనపు ముఖాలు సాధారణంగా దూకుడుగా శబ్దం తొలగించడం మరియు నునుపుగా చేయడం ద్వారా వస్తాయి, ఇవి సహజ చర్మ ఆకృతిని తొలగించే పదునుపెట్టడంతో జతచేయబడతాయి. అనేక సాధనాలు శబ్దం మరియు చక్కటి ఆకృతిని ఒకే విధంగా పరిగణిస్తాయి, కాబట్టి చిత్రాన్ని "శుభ్రపరచడం" రంధ్రాలు మరియు సూక్ష్మ వివరాలను చెరిపివేస్తుంది. ఒక సాధారణ విధానం ఏమిటంటే శబ్దం తొలగించడం మరియు పదునుపెట్టడం తగ్గించడం, అందుబాటులో ఉంటే ముఖ సంరక్షణ మోడ్ను ఉపయోగించడం, ఆపై ధాన్యాన్ని తిరిగి ప్రవేశపెట్టడం, తద్వారా ఫలితం తక్కువ ప్లాస్టిక్గా మరియు మరింత ఫోటోగ్రాఫిక్గా అనిపిస్తుంది.
చూడవలసిన సాధారణ AI అప్స్కేలింగ్ కళాఖండాలు
సాధారణ కథనాలలో అంచుల చుట్టూ హాలోలు, పునరావృతమయ్యే టెక్స్చర్ నమూనాలు (కాపీ-పేస్ట్ ఇటుకలు వంటివి), క్రంచీ మైక్రో-కాంట్రాస్ట్ మరియు "దాదాపు అక్షరాలు"గా మారే టెక్స్ట్ ఉన్నాయి. విస్తరణ-ఆధారిత వర్క్ఫ్లోలలో, చిన్న లక్షణాలు సూక్ష్మంగా మారే వివరాల డ్రిఫ్ట్ను కూడా మీరు చూడవచ్చు. వీడియో కోసం, ఫ్రేమ్లలో ఫ్లికర్ మరియు క్రాల్ చేసే వివరాలు పెద్ద రెడ్ ఫ్లాగ్లు. ఇది తీవ్రమైన జూమ్లో మాత్రమే బాగా కనిపిస్తే, సెట్టింగ్లు బహుశా చాలా దూకుడుగా ఉంటాయి.
GAN, CNN మరియు డిఫ్యూజన్ అప్స్కేలర్లు ఫలితాలలో ఎలా భిన్నంగా ఉంటాయి
CNN-ఆధారిత సూపర్-రిజల్యూషన్ స్థిరంగా మరియు మరింత ఊహించదగినదిగా ఉంటుంది, కానీ గట్టిగా నొక్కితే అది "ప్రాసెస్ చేయబడినట్లు" కనిపిస్తుంది. GAN-ఆధారిత ఎంపికలు (ESRGAN-శైలి) తరచుగా మరింత శక్తివంతమైన ఆకృతిని మరియు గ్రహించిన పదునును ఉత్పత్తి చేస్తాయి, కానీ అవి తప్పు వివరాలను భ్రాంతులు చేస్తాయి, ముఖ్యంగా ముఖాలపై. డిఫ్యూజన్-ఆధారిత అప్స్కేలింగ్ అందమైన, ఆమోదయోగ్యమైన వివరాలను ఉత్పత్తి చేయగలదు, అయినప్పటికీ మార్గదర్శకత్వం లేదా బలం సెట్టింగ్లు చాలా బలంగా ఉంటే అది అసలు నిర్మాణం నుండి మళ్ళించబడవచ్చు.
"చాలా AI" లుక్ను నివారించడానికి ఒక ఆచరణాత్మక సెట్టింగ్ల వ్యూహం
తీవ్రమైన అంశాలను చేరుకునే ముందు సాంప్రదాయికంగా 2× లేదా 4×ని అప్స్కేల్లో ప్రారంభించండి. ముఖాలు ప్లాస్టిక్గా కనిపిస్తే, డెనోయిజ్ మరియు షార్పెనింగ్ని తిరిగి డయల్ చేసి, ఫేస్-అవేర్ మోడ్ని ప్రయత్నించండి. టెక్స్చర్లు చాలా తీవ్రంగా ఉంటే, వివరాల మెరుగుదలను తగ్గించండి మరియు తర్వాత సూక్ష్మమైన గ్రెయిన్ను జోడించడాన్ని పరిగణించండి. అంచులు మెరుస్తుంటే, షార్పెనింగ్ను తగ్గించండి మరియు హాలో లేదా ఆర్టిఫ్యాక్ట్ అణచివేతను తనిఖీ చేయండి. అనేక పైప్లైన్లలో, "తక్కువ" గెలుస్తుంది ఎందుకంటే ఇది నమ్మదగిన వాస్తవికతను సంరక్షిస్తుంది.
అప్స్కేలింగ్ చేయడానికి ముందు పాత స్కాన్లు లేదా భారీగా JPEG-కంప్రెస్ చేయబడిన చిత్రాలను నిర్వహించడం
కంప్రెస్డ్ ఇమేజ్లు చాలా క్లిష్టంగా ఉంటాయి ఎందుకంటే మోడల్లు బ్లాక్ ఆర్టిఫ్యాక్ట్లను నిజమైన టెక్స్చర్లుగా పరిగణించి వాటిని విస్తరించగలవు. ఒక సాధారణ వర్క్ఫ్లో అనేది ఆర్టిఫ్యాక్ట్ తొలగింపు లేదా మొదట డీబ్లాకింగ్, తర్వాత అప్స్కేలింగ్, ఆపై అవసరమైతే మాత్రమే లైట్ షార్పెనింగ్. స్కాన్ల కోసం, సున్నితమైన క్లీనప్ మోడల్ నష్టం కంటే వాస్తవ నిర్మాణంపై దృష్టి పెట్టడానికి సహాయపడుతుంది. "నకిలీ టెక్స్చర్ క్యూస్" ను తగ్గించడం లక్ష్యం, తద్వారా అప్స్కేలర్ ధ్వనించే ఇన్పుట్ల నుండి నమ్మకంగా అంచనాలు వేయవలసి వస్తుంది.
ఫోటో అప్స్కేలింగ్ కంటే వీడియో అప్స్కేలింగ్ ఎందుకు కష్టం
వీడియో అప్స్కేలింగ్ ఒక స్టిల్ ఇమేజ్పై మాత్రమే కాకుండా, ఫ్రేమ్ల అంతటా స్థిరంగా ఉండాలి. వివరాలు ఫ్రేమ్-టు-ఫ్రేమ్లో ఫ్లికర్ చేస్తే, ఫలితం త్వరగా దృష్టి మరల్చుతుంది. వీడియో-కేంద్రీకృత విధానాలు పునర్నిర్మాణాన్ని స్థిరీకరించడానికి మరియు మెరిసే కళాఖండాలను నివారించడానికి పొరుగు ఫ్రేమ్ల నుండి తాత్కాలిక సమాచారాన్ని ఉపయోగిస్తాయి. అనేక వర్క్ఫ్లోలలో డినోయిజ్, కొన్ని మూలాల కోసం డీఇంటర్లేసింగ్ మరియు ఐచ్ఛిక గ్రెయిన్ రీఇంట్రడక్షన్ కూడా ఉంటాయి, తద్వారా మొత్తం క్రమం కృత్రిమంగా పదునుగా కాకుండా కలిసి ఉన్నట్లు అనిపిస్తుంది.
AI అప్స్కేలింగ్ సరైనది కానప్పుడు లేదా ఆధారపడటం ప్రమాదకరంగా ఉన్నప్పుడు
AI అప్స్కేలింగ్ను రుజువుగా కాకుండా మెరుగుదలగా పరిగణించడం ఉత్తమం. జర్నలిజం, చట్టపరమైన ఆధారాలు, వైద్య ఇమేజింగ్ లేదా ఫోరెన్సిక్ పని వంటి అధిక-పనుల సందర్భాలలో, "నమ్మదగిన" పిక్సెల్లను రూపొందించడం తప్పుదారి పట్టించవచ్చు ఎందుకంటే ఇది సంగ్రహించబడని వివరాలను జోడించవచ్చు. సురక్షితమైన ఫ్రేమింగ్ అంటే దానిని దృష్టాంతపరంగా ఉపయోగించడం మరియు AI ప్రక్రియ పునర్నిర్మించిన వివరాలను బహిర్గతం చేయడం. విశ్వసనీయత కీలకం అయితే, అసలైన వాటిని భద్రపరచండి మరియు ప్రతి ప్రాసెసింగ్ దశ మరియు సెట్టింగ్ను డాక్యుమెంట్ చేయండి.
ప్రస్తావనలు
-
arXiv - ఇమేజ్ సూపర్-రిజల్యూషన్ కోసం డీప్ లెర్నింగ్: ఒక సర్వే - arxiv.org
-
arXiv - డీప్ కన్వల్యూషనల్ నెట్వర్క్లను ఉపయోగించి ఇమేజ్ సూపర్-రిజల్యూషన్ (SRCNN) - arxiv.org
-
ఆర్క్సివ్ - రియల్-ఎస్ఆర్గన్ - arxiv.org
-
ఆర్క్సివ్ - ఎస్ఆర్జిఎన్ - arxiv.org
-
ఆర్క్సివ్ - SR3 - arxiv.org
-
NVIDIA డెవలపర్ - NVIDIA DLSS - developer.nvidia.com
-
AMD GPUOpen - FidelityFX సూపర్ రిజల్యూషన్ 2 - gpuopen.com
-
కంప్యూటర్ విజన్ ఫౌండేషన్ (CVF) ఓపెన్ యాక్సెస్ - BasicVSR: వీడియో సూపర్-రిజల్యూషన్లో ముఖ్యమైన భాగాల కోసం శోధన (CVPR 2021) - openaccess.thecvf.com
-
arXiv - జనరేటివ్ అడ్వర్సరియల్ నెట్వర్క్లు - arxiv.org
-
ఆర్క్సివ్ - SRGAN - arxiv.org
-
arXiv - గ్రహణ నష్టాలు (జాన్సన్ మరియు ఇతరులు, 2016) - arxiv.org
-
GitHub - Real-ESRGAN రెపో (టైల్ ఎంపికలు) - github.com
-
వికీపీడియా - బిక్యూబిక్ ఇంటర్పోలేషన్ - wikipedia.org
-
టోపాజ్ ల్యాబ్స్ - టోపాజ్ ఫోటో - topazlabs.com
-
టోపాజ్ ల్యాబ్స్ - టోపాజ్ వీడియో - topazlabs.com
-
అడోబ్ సహాయ కేంద్రం - అడోబ్ మెరుగుదల > సూపర్ రిజల్యూషన్ - helpx.adobe.com
-
NIST / OSAC - ఫోరెన్సిక్ డిజిటల్ ఇమేజ్ మేనేజ్మెంట్ కోసం ప్రామాణిక గైడ్ (వెర్షన్ 1.0) - nist.gov
-
SWGDE - ఫోరెన్సిక్ ఇమేజ్ విశ్లేషణ కోసం మార్గదర్శకాలు - swgde.org