அளவைப் பெருக்குதலின் சிக்கல்

உங்களிடம் 500×500 பிக்சல்களைக் கொண்ட ஒரு புகைப்படம் உள்ளது. அதை 2000×2000 ஆக மாற்ற வேண்டும் — அச்சு, ரெட்டினா டிஸ்ப்ளே, பேனருக்கு. புகைப்படத்தில் 2,50,000 பிக்சல்கள் உள்ளன. 40 லட்சம் பிக்சல்கள் தேவை. குறைந்த 37.5 லட்சம் பிக்சல்கள் எங்கிருந்து வர வேண்டும்.

இதுவே அளவைப் பெருக்குதலின் சிக்கல். பிடிக்கப்படாத தகவலை உருவாக்க முடியாது —�னினும், அதை மதிப்பீடு செய்ய முடியும். அந்த மதிப்பீட்டின் தரமே பெருக்கப்பட்ட படம் கூர்மையாக தெரியுமா அல்லது மங்கலான குழப்பமாக தெரியுமா என்பதை நிர்ணயிக்கிறது.

ஏன் எளிய அளவைப் பெருக்குதல் தோல்வியுறுகிறது

மிக எளிய அணுகுமுறை: ஒவ்வொரு பிக்சலையும் நகலெடுக்கவும். 500×500 படம், ஒவ்வொரு பிக்ஸலையும் 2×2 தொகுதியாக மாற்றுவதன் மூலம் 1000×1000 ஆகிறது. முடிவு "பிக்சலேற்றம்" அடைந்துள்ளது — தெளிவான சதுரங்களுடன் கூடிய தோராயமான தோற்றம். இது "அருகிலுள்ள அண்டை பலினேஷன்" (nearest-neighbor interpolation) ஆகும், மேலும் 1995 ஆம் ஆண்டு ஒவ்வொரு பட காட்சியாளரும் இதையே செய்தனர்.

அடுத்த நிலை: இருபரிமாண பலினேஷன் (bilinear interpolation). ஒவ்வொரு புதிய பிக்சலுக்கும், 4 அருகிலுள்ள மூல பிக்சல்களின் சராசரியை எடுத்துக்கொள்ளவும். முடிவு மென்மையாக இருக்கும், ஆனால் மங்கலாக இருக்கும் — விளிம்புகள் தெளிவை இழக்கின்றன, உரை மென்மையாகிறது, மெல்லிய விவரங்கள் மறைந்துவிடுகின்றன. கியூபிக் பலினேஷன் (16 மூல பிக்சல்களை க்யூபிக் எடையுடன் சராசரியாக்குதல்) சற்று சிறந்தது, ஆனால் இன்னும் விளிம்புகளைச் சுற்றி தெரியக்கூடிய ஒளிவட்டங்களை (halos) உருவாக்குகிறது.

அடிப்படையான சிக்கல்: இந்த முறைகள் படத்தைப் பற்றி அறியவில்லை. அவை ஒவ்வொரு பிக்சலையும் ஒரே மாதிரியாக நடத்துகின்றன — நீல வானத்தின் நடுவிலுள்ள ஒரு பிக்சலும், கூர்மையான உரையின் தொடையிலுள்ள பிக்சலும் ஒரே மாதிரியான சிகிச்சையைப் பெறுகின்றன. முடிவு ஒரே மாதிரியான சராசரி தரத்தில் இருக்கும்.

லான்கோஸ்: தரத்திற்கான அடிப்படை

லான்கோஸ் மறுமாதிரியாக்கம் (Lanczos resampling) ஒரு சிங்-சான்விண்டெட் கெர்னலைப் பயன்படுத்துகிறது — இது கணிதக் கோவை, கோட்பாட்டில், அதன் மாதிரிகளிலிருந்து அசல் தொடர்ச்சியான சமிக்ஞையை முற்றிலுமாக மீட்டெடுக்கிறது. நடைமுறையில், இது கியூபிக்கை விட கூர்மையான முடிவுகளை உருவாக்குகிறது, ஏனெனில் இது உயர்-அதிர்வெண் விவரங்களை (விளிம்புகள், உரை, மெல்லிய நுண்ணிய அமைப்புகள்) சிறப்பாகப் பாதுகாக்கிறது.

இதற்கான திருப்புமுனை கணக்கீட்டு செலவு. கெர்னல் அளவு 3 (தரமானது) உடன் லான்கோஸ், ஒவ்வொரு வெளியீட்டு பிக்சலுக்கும் 36 மூல பிக்சல்களை (6×6 சாளரம்) தேவைப்படுத்துகிறது, இது கியூபிக்கின் 16 உடன் ஒப்பிடும்போது. 1000×1000 படத்தின் 4× பெருக்கத்திற்கு, இது 1.44 கோடி பிக்சல் தேடல்கள் தேவைப்படுகிறது. ஒரு நவீன CPU இல், இது 2-5 விநாடிகள் எடுத்துக்கொள்கிறது — ஒரு முறை செய்யப்படும்போது ஏற்கக்கூடியது, ஆனால் உடனடியாக அல்ல.

லான்கோஸ் தரமான அளவைப் பெருக்குதலுக்கான அடிப்படையாகும். ஒவ்வொரு தொழில்முறை கருவியும் — போட்டோஷாப், ஜிம்ப், இமேஜ்மேஜிக் — இதை வழங்குகிறது. லான்கோஸைப் பயன்படுத்தும் உலாவி அடிப்படையிலான கருவிகள், டெஸ்க்டாப் மென்பொருளிலிருந்து உருவாக்கப்பட்ட முடிவுகளிலிருந்து பிரிக்க முடியாத அளவிற்கு ஒரே மாதிரியான முடிவுகளை உருவாக்குகின்றன.

AI அளவைப் பெருக்குதல்: வாய்ப்பு

AI அளவைப் பெருக்கிகள் (real-ESRGAN, SwinIR, Topaz Gigapixel) வேறுபட்ட அணுகுமுறையை எடுத்துக்கொள்கின்றன. கணிதக் கோவைக்கு பதிலாக, அவை மில்லியன் கணக்கான பட ஜோடிகளில் பயிற்சி பெற்ற ஒரு நரம்பியல் வலையைப் பயன்படுத்துகின்றன: ஒரே புகைப்படத்தின் குறைந்த தெளிவுத்திறன் மற்றும் உயர் தெளிவுத்திறன் பதிப்புகள். வலையம் குறைந்த தகவலை "போலி நடத்துதல்" கற்றுக்கொள்கிறது — உண்மையி�