مسئله بزرگنمایی
عکس ۵۰۰×۵۰۰ دارید. آن را در ۲۰۰۰×۲۰۰۰ میخواهید — برای چاپ، یک نمایشگر رتینا، یک بنر. عکس ۲۵۰,۰۰۰ پیکسل دارد. شما ۴ میلیون نیاز دارید. ۳.۷۵ میلیون پیکسل مفقود باید از جایی بیاید.
این مسئله بزرگنمایی است. نمیتوانید اطلاعاتی که ضبط نشده خلق کنید — اما میتوانید آن را تخمین بزنید. کیفیت تخمین تعیین میکند که تصویر بزرگنماییشده واضح بهنظر برسد یا یک آشفتگی تار.
چرا بزرگنمایی ساده شکست میخورد
سادهترین رویکرد: تکثیر هر پیکسل. تصویر ۵۰۰×۵۰۰ با تبدیل هر پیکسل به یک بلوک ۲×۲ به ۱۰۰۰×۱۰۰۰ تبدیل میشود. نتیجه پیکسلی است — بلوکی، با مربعهای قابلمشاهده. این «درونیابی نزدیکترین همسایه» است و کاری بود که هر نمایشگر تصویر در ۱۹۹۵ انجام میداد.
گام بعدی: درونیابی دوخطی. برای هر پیکسل جدید، میانگین ۴ پیکسل منبع نزدیک. نتیجه نرم اما تار است — لبهها تعریف خود را از دست میدهند، متن نرم میشود و جزئیات ظریف محو میشوند. درونیابی بیکوبیک (میانگین ۱۶ پیکسل منبع با وزندهی مکعبی) کمی بهتر است، اما همچنان هالههای قابلمشاهده دور لبهها تولید میکند.
مشکل اساسی: این روشها نمیدانند تصویر چیست. هر پیکسل را یکسان رفتار میکنند — یک پیکسل در وسط آبی آسمان همان رفتار یک پیکسل در لبه یک ضربه متن تیز را میگیرد. نتیجه یکنواختاً متوسط است.
Lanczos: خط مبنا کیفیت
نمونهبرداری مجدد Lanczos از یک هسته پنجرهشده sinc استفاده میکند — یک تابع ریاضی که از نظر تئوری، سیگنال پیوسته اصلی را از نمونههایش کاملاً بازسازی میکند. در عمل، نتایج تیزتری از بیکوبیک تولید میکند چون جزئیات فرکانس بالا (لبهها، متن، بافتهای ظریف) را بهتر حفظ میکند.
مصالحه محاسبه است. Lanczos با اندازه هسته ۳ (استاندارد) ۳۶ پیکسل منبع برای هر پیکسل خروجی نیاز دارد (پنجره ۶×۶)، در مقایسه با ۱۶ برای بیکوبیک. برای بزرگنمایی ۴× یک تصویر ۱۰۰۰×۱۰۰۰، یعنی ۱۴۴ میلیون جستجوی پیکسل. روی یک CPU مدرن، این ۲-۵ ثانیه طول میکشد — قابلقبول برای یکبار، کُند برای بلادرنگ.
Lanczos خط مبنا برای بزرگنمایی باکیفیت است. هر ابزار حرفهای — فتوشاپ، GIMP، ImageMagick — آن را ارائه میدهد. ابزارهای مبتنی بر مرورگر که از Lanczos استفاده میکنند نتایجی تقریباً غیرقابلتشخیص از نرمافزار دسکتاپ تولید میکنند.
بزرگنمایی هوش مصنوعی: وعده
بزرگنماهای هوش مصنوعی (real-ESRGAN، SwinIR، Topaz Gigapixel) رویکرد متفاوتی اتخاذ میکنند. بهجای فرمول ریاضی، از یک شبکه عصبی استفاده میکنند که روی میلیونها جفت تصویر آموزش دیده: نسخههای کموضوح و پروضوح یک عکس. شبکه یاد میگیرد جزئیات مفقود را «توهم» بزند — افزودن بافت، تیز کردن لبهها و حتی بازسازی متن.
برای انواع خاصی از تصاویر، نتایج خیرهکننده است. یک عکس ۵۰۰×۵۰۰ از چهره، بزرگنمایی ۴× با یک مدل هوش مصنوعی خوب، میتواند طوری بهنظر برسد که در اصل در ۲۰۰۰×۲۰۰۰ فیلمبرداری شده. مدل «میداند» چهرهها چگونه بهنظر میرسند و منافذ، مو و بافت پوستی که منبع کموضوح ضبط نکرده بود را پر میکند.
اما یک نکته وجود دارد: هوش مصنوعی توهم میزند. جزئیاتی به اصل اضافه میکند که وجود نداشتند — و گاهی آن جزئیات اشتباه است. یک پلاک تار، بزرگنماییشده با هوش مصنوعی، ممکن است شمارهای قابلقبول اما نادرست نشان دهد. یک عکس کموضوح از ساختمان، بزرگنماییشده، ممکن است پنجرهها و آجرهایی بهدست آورد که وجود ندارند. این «سوگیری مدل» است — هوش مصنوعی آنچه فکر میکند باید باشد تولید میکند، نه آنچه واقعاً هست.
کِی از کدام استفاده کنیم
از Lanczos استفاده کنید وقتی:
- به بزرگنمایی دقیق و وفادار نیاز دارید (بدون جزئیات توهمزده).
- تصویر جزئیات ظریفی دارد که باید دقیقاً حفظ شود (متن، نمودارها، پیکسل آرت).
- به نتایج قابلپیشبینی و تکرارپذیر نیاز دارید.
- در مرورگر کار میکنید (دانلود مدل لازم نیست).
از بزرگنمایی هوش مصنوعی استفاده کنید وقتی:
- تصویر عکس یک سوژه رایج است (چهرهها، منظرهها، ساختمانها).
- میخواهید تصویر «خوب بهنظر برسد» حتی اگر جزئیات اختراعی باشد.
- میتوانید دانلود مدل ۱۰-۵۰ مگابایتی را تحمل کنید.
- میپذیرید که جزئیات بزرگنماییشده ممکن است دقیق نباشد.
برای اکثر موارد استفاده — گرافیکهای وب، عکسهای قدیمی، پستهای شبکه اجتماعی — Lanczos کافی و سریعتر است. برای بازیابی حرفهای عکس یا چاپ در اندازههای بزرگ، بزرگنمایی هوش مصنوعی ارزش زمان اضافی را دارد.
ترفند تیزسازی
هر روش بزرگنمایی از یک پاس تیزسازی بعد از آن سود میبرد. دلیل: بزرگنمایی جزئیات اصلی را در پیکسلهای بیشتری پخش میکند که از نظر بصری تصویر را نرم میکند. یک قناع تیزسازی ملایم — که لبهها را تشخیص داده و کنتراست محلی را افزایش میدهد — تیزی ادراکشده را بدون افزودن اطلاعات جدید بازیابی میکند.
مقدار تیزسازی مهم است. خیلی کم، و تصویر بزرگنماییشده نرم بهنظر میرسد. خیلی زیاد، و هاله میگیرید — خطوط روشن یا تاریک دور لبهها که غیرطبیعی بهنظر میرسند. تنظیم معمول: مقدار ۰.۵، شعاع ۰.۷ پیکسل، آستانه ۲. این لبهها را بدون وارد کردن مصنوعات بهبود میبخشد.
بزرگنمایی برای چاپ
چاپ نیازمند ۳۰۰ DPI (نقطه در اینچ) است. یک عکس برای چاپ ۴×۶ اینچی به ۱۲۰۰×۱۸۰۰ پیکسل نیاز دارد. یک عکس با وضوح وب (۸۰۰×۶۰۰) باید برای برآورده کردن این نیاز بهصورت افقی ۱.۵× و عمودی ۳× بزرگنمایی شود.
برای چاپ، Lanczos با تیزسازی معمولاً بهتر از هوش مصنوعی است. چاپ هر پیکسل را نشان میدهد — بافت توهمزده با هوش مصنوعی که روی صفحه خوب بهنظر میرسد ممکن است روی کاغذ «نادرست» بهنظر برسد، مخصوصاً برای چهرهها و دستها که بینندگان انتظارات قوی دارند.
حریم خصوصی
بزرگنمایی میتواند کاملاً در مرورگر اجرا شود. الگوریتم Lanczos ریاضیات خالص است — هیچ دادهای از دستگاه خارج نمیشود. مدلهای هوش مصنوعی نیز میتوانند از طریق ONNX Runtime Web یا TensorFlow.js در مرورگر اجرا شوند، اگرچه دانلود مدل (۱۰-۵۰ مگابایت) هزینهای یکباره است. در هر صورت، هیچ تصویری به سرور بارگذاری نمیشود.
آینده
بزرگنمایی هوش مصنوعی بهسرعت در حال بهبود است. بزرگنماهای مبتنی بر پخش (همان فناوری پشت Stable Diffusion) اکنون میتوانند بزرگنماییهای ۸× تولید کنند که برای نوع درست تصویر، از نظر بصری از عکسهای پروضوح بومی غیرقابلتشخیصاند. مصالحه سرعت است: بزرگنمایی پخش روی GPU ۱۰-۳۰ ثانیه، روی CPU چند دقیقه طول میکشد.
در حال حاضر، انتخاب عملی برای اکثر کاربران Lanczos + تیزسازی است. سریع است، رایگان است، در هر مرورگری اجرا میشود و کیفیتی تولید میکند که برای ۹۰٪ موارد استفاده «به اندازه کافی خوب» است. بزرگنمایی هوش مصنوعی انتخاب درست زمانی است که کیفیت بیشتر از سرعت اهمیت دارد و نوع تصویر از نوعی است که مدل هوش مصنوعی روی آن آموزش دیده.