আপস্কেলিং সমস্যা
আপনার একটি ৫০০×৫০০ পিক্সেলের ছবি আছে। আপনার এটাকে ২০০০×২০০০ এ প্রয়োজন — একটি প্রিন্টের জন্য, একটি রেটিনা ডিসপ্লের জন্য, বা একটি ব্যানারের জন্য। ছবিটিতে ২৫০,০০০ পিক্সেল আছে। আপনার ৪ মিলিয়ন পিক্সেল লাগবে। অনুপস্থিত ৩.৭৫ মিলিয়ন পিক্সেল কোথা থেকে আসতে হবে, তা কিছুই না।
এটাই আপস্কেলিং সমস্যা। আপনি যা ক্যাপচার করেননি সেই তথ্য তৈরি করতে পারবেন না — কিন্তু আপনি এটি অনুমান করতে পারেন। অনুমানের মান নির্ধারণ করে যে আপস্কেলকৃত ছবিটি ক্রিস্প দেখাবে নাকি ঝাঁঝালো বিশৃঙ্খল অবস্থায় দেখাবে।
কেন নৈমিত্তিক আপস্কেলিং ব্যর্থ হয়
সবচেয়ে সহজ পদ্ধতি: প্রতিটি পিক্সেল ডুপ্লিকেট করা। একটি ৫০০×৫০০ ছবি প্রতিটি পিক্সেলকে ২×২ ব্লকে পরিণত করে ১০০০×১০০০ এ পরিণত হয়। ফলাফলটি পিক্সেলেটেড হয় — ব্লকি, দৃশ্যমান বর্গাকার সহ। এটি "নিয়ারেস্ট-নেইবার" ইন্টারপোলেশন, এবং ১৯৯৫ সালে প্রতিটি ছবি দেখানো অ্যাপ্লিকেশন এইটি ব্যবহার করত।
পরবর্তী ধাপ: বিলিনিয়ার ইন্টারপোলেশন। প্রতিটি নতুন পিক্সেলের জন্য, ৪টি নিকটতম সোর্স পিক্সেলের গড় নেওয়া হয়। ফলাফলটি সুচারু হয়, কিন্তু ঝাঁঝালো — প্রান্তগুলি তাদের সংজ্ঞা হারায়, টেক্সট নরম হয়ে যায়, এবং সূক্ষ্ম বিবরণ হারিয়ে যায়। বিকিউবিক ইন্টারপোলেশন (একটি কিউবিক ওজন সহ ১৬টি সোর্স পিক্সেলের গড়) সামান্য ভালো, কিন্তু এখনও প্রান্তের চারপাশে দৃশ্যমান হ্যালো তৈরি করে।
মৌলিক সমস্যা: এই পদ্ধতিগুলি জানে না যে ছবিটি কী। তারা প্রতিটি পিক্সেলকে একই রকম দেখে — নীল আকাশের মাঝখানের একটি পিক্সেল এবং একটি ঝাঁটের প্রান্তের একটি পিক্সেল একই চিকিৎসা পায়। ফলাফলটি সমানভাবে মধ্যম হয়।
ল্যান্কোজ: মানের বেসলাইন
ল্যান্কোজ রিস্যাম্পলিং একটি সিংক-উইন্ডোড কার্নেল ব্যবহার করে — একটি গাণিতিক ফাংশন যা তাত্ত্বিকভাবে তার নমুনা থেকে আসল অবিচ্ছিন্ন সিগন্যালটি সম্পূর্ণরূপে পুনর্গঠন করে। ব্যবহারিকভাবে, এটি উচ্চ-ফ্রিকোয়েন্সি বিবরণ (প্রান্ত, টেক্সট, সূক্ষ্ম টেক্সচার) ভালোভাবে সংরক্ষণ করার কারণে বিকিউবিকের চেয়ে উত্তম ফলাফল তৈরি করে।
ট্রেডঅফ হলো গণনা। কার্নেল সাইজ ৩ (মানক) সহ ল্যান্কোজ, আউটপুট পিক্সেল প্রতি ৩৬টি সোর্স পিক্সেল (৬×৬ উইন্ডো) প্রয়োজন, যা বিকিউবিকের ১৬টির তুলনায় বেশি। একটি ১০০০×১০০০ ছবির জন্য ৪× আপস্কেলিং-এ, এটি ১৪৪ মিলিয়ন পিক্সেল লুকআপ প্রয়োজন। একটি আধুনিক CPU-তে, এটি ২-৫ সেকেন্ড সময় নেয় — একবারের জন্য গ্রহণযোগ্য, কিন্তু রিয়েল-টাইমের জন্য ধীর।
ল্যান্কোজ মানের জন্য বেসলাইন। প্রতিটি পেশাদার টুল — ফটোশপ, জিম্প, ইমেজম্যাজিক — এটি অফার করে। ল্যান্কোজ ব্যবহার করে ওয়েব-ভিত্তিক টুলগুলি ডেস্কটপ সফ্টওয়্যার থেকে প্রায় অদ্ভুতভাবে অভিন্ন ফলাফল তৈরি করে।
AI আপস্কেলিং: প্রতিশ্রুতি
AI আপস্কেলার (real-ESRGAN, SwinIR, Topaz Gigapixel) একটি ভিন্ন পদ্ধতি নেয়। একটি গাণিতিক সূত্রের পরিবর্তে, তারা মিলিয়ন খানেক ছবি জোড়ার উপর প্রশিক্ষিত একটি নিউরাল নেটওয়ার্ক ব্যবহার করে: একই ছবির কম-রেজোলিউশন এবং হাই-রেজোলিউশন সংস্করণ। নেটওয়ার্ক অনুপস্থিত বিবরণ "হ্যালুসিনেট" করতে শেখে — টেক্সচার যোগ করা, প্রান্ত তীক্ষ্ণ করা, এমনকি টেক্সট পুনর্গঠন করা।
নির্দিষ্ট ধরনের ছবির জন্য, ফলাফলগুলি অবিশ্বাস্য। একটি মুখের ৫০০×৫০০ ছবি, একটি ভালো AI মডেল দ্বারা ৪× আপস্কেল করা, এটি মূলত ২০০০×২০০০ এ শ্যুট করা হয়েছিল বলে দেখাতে পারে। মডেলটি "জানে" যে মুখগুলি কেমন দেখায়, এবং কম-রেজোলিউশন সোর্সে ক্যাপচার করা না গেলেও পোরস, চুল এবং ত্বকের টেক্সচার পূরণ করে।
কিন্তু একটি ঝামেলা আছে: AI হ্যালুসিনেট করে। এটি আসলে নেই এমন বিবরণ যোগ করে — এবং কখনও কখনও সেই বিবরণটি ভুল। একটি ঝাঁঝালো লাইসেন্স প্লেট, AI দ্বারা আপস্কেল করা, একটি যৌক্তিকভাবে দেখতে ভালো কিন্তু ভুল নম্বর দেখাতে পারে। একটি ভবনের কম-রেজ ফটো, আপস্কেল করা হলে, যেগুলি আসলে নেই সেই জানালা এবং ইট পেতে পারে। এটি "মডেল বায়াস" — AI তার মনে হয় যা থাকা উচিত সেটি তৈরি করে, যা �