Büyütme sorunu

500×500 bir fotoğrafınız var. Bunu 2000×2000 boyutunda gerekiyor — bir baskı, bir retina ekran, bir afiş için. Fotoğrafta 250.000 piksel var. 4 milyon piksel gerekiyor. Eksik 3,75 milyon pikselin bir yerden gelmesi lazım.

Büyütme sorunu budur. Yakalanmamış bilgiyi yaratamazsınız — ama tahmin edebilirsiniz. Tahmin kalitesi, büyütülmüş görüntünün keskin mi yoksa bulanık bir karmaşa mı görüneceğini belirler.

Naif büyütme neden başarısız olur

En basit yaklaşım: her pikseli çoğaltmak. 500×500 görüntü, her pikseli 2×2 bloğa dönüştürerek 1000×1000 olur. Sonuç pikselleşmiştir — bloklu, görünür karelerle. Bu "en yakın komşu" (nearest-neighbor) interpolasyonudur ve 1995'te her görüntü görüntüleyicisinin yaptığı şeydir.

Bir sonraki adım: bilinear interpolasyon. Her yeni piksel için en yakın 4 kaynak pikselin ortalamasını alır. Sonuç yumuşaktır ama bulanıktır — kenarlar keskinliğini yitirir, metin yumuşar ve ince detay kaybolur. Bikübik interpolasyon (16 kaynak pikseli kübik ağırlıkla ortalamak) biraz daha iyidir ama yine de kenarlarda görünür haleler üretir.

Temel sorun: bu yöntemler görüntünün ne olduğunu bilmez. Her pikseli aynı şekilde ele alır — mavi gökyüzünün ortasındaki bir pikselle, keskin bir metin çizgisinin kenarındaki bir piksel aynı muameleyi görür. Sonuç tekdüze olarak ortadır.

Lanczos: kalite taban çizgisi

Lanczos yeniden örnekleme, sinc pencerelemeli bir çekirdek kullanır — teorik olarak örneklerinden orijinal sürekli sinyali mükemmel şekilde yeniden inşa eden matematiksel bir fonksiyon. Pratikte, yüksek frekanslı detayı (kenarlar, metin, ince dokular) daha iyi koruduğu için bikübikten daha keskin sonuçlar üretir.

Ödünleşim hesaplama maliyetidir. 3 çekirdek boyutlu (standart) Lanczos, çıktı pikseli başına 36 kaynak piksel (6×6 pencere) gerektirir; bikübik 16 gerektirir. 1000×1000 görüntünün 4× büyütülmesi için 144 milyon piksel arama demektir. Modern bir CPU'da bu 2-5 saniye sürer — tek seferlik için kabul edilebilir, gerçek zamanlı için yavaş.

Lanczos kaliteli büyütme için taban çizgisidir. Her profesyonel araç — Photoshop, GIMP, ImageMagick — onu sunar. Lanczos kullanan tarayıcı tabanlı araçlar, masaüstü yazılımlarından neredeyse ayırt edilemez sonuçlar üretir.

Yapay zeka büyütme: vaat

Yapay zeka büyüticiler (real-ESRGAN, SwinIR, Topaz Gigapixel) farklı bir yaklaşım benimser. Matematiksel bir formül yerine, milyonlarca görüntü çifti üzerinde eğitilmiş bir sinir ağı kullanırlar: aynı fotoğrafın düşük ve yüksek çözünürlüklü sürümleri. Ağ, eksik detayı "halüline etmek" için öğrenir — doku ekler, kenarları keskinleştirir, hatta metni yeniden yapılandırır.

Belirli görüntü türleri için sonuçlar çarpıcıdır. Bir yüzün 500×500 fotoğrafı, iyi bir yapay zeka modeliyle 4× büyütüldüğünde, orijinal olarak 2000×2000'de çekilmiş gibi görünebilir. Model yüzlerin nasıl göründüğünü "bilir" ve düşük çözünürlüklü kaynağın yakalamadığı gözenekleri, saçları ve cilt dokusunu doldurur.

Ama bir sorun var: yapay zeka halüline eder. Orijinalde olmayan detay ekler — ve bazen bu detay yanlış olur. Yapay zeka ile büyütülmüş bulanık bir plaka, makul görünen ama yanlış bir numara gösterebilir. Düşük çözünürlüklü bir bina fotoğrafı, büyütüldüğünde, var olmayan pencereler ve tuğlalar kazanabilir. Bu "model önyargısı"dır — yapay zeka olması gerektiğini düşündüğü şeyi üretir, gerçekten olanı değil.

Hangisini ne zaman kullanmalısınız

Lanczos kullanın:

  • Doğru, sadık büyütme gerektiğinde (halüline edilmiş detay yok).
  • Görüntünün tam korunması gereken ince detayı olduğunda (metin, diyagramlar, piksel sanatı).
  • Öngörülebilir, tekrar üretilebilir sonuçlara ihtiyaç duyduğunuzda.
  • Tarayıcıda çalıştığınızda (model indirme gerekmez).

Yapay zeka büyütme kullanın:

  • Görüntü yaygın bir öznenin fotoğrafıysa (yüzler, manzaralar, binalar).
  • Detay uydurulmuş olsa bile görüntünün "iyi görünmesini" istiyorsanız.
  • 10-50 MB'lık model indirmeyi tolere edebiliyorsanız.
  • Büyütülmüş detayın doğru olmayabileceğini kabul ettiğinizde.

Çoğu kullanım için — web grafikleri, eski fotoğraflar, sosyal medya gönderileri — Lanczos yeterlidir ve daha hızlıdır. Profesyonel fotoğraf restorasyonu veya büyük boyutlarda baskı için yapay zeka büyütme fazladan zamana değer.

Keskinleştirme numarası

Her büyütme yöntemi, sonrasında bir keskinleştirme geçişinden fayda sağlar. Nedeni: büyütme orijinal detayı daha fazla piksele yayar, bu da görüntüyü görsel olarak yumuşatır. Hafif bir unsharp maskesi — kenarları algılayıp yerel kontrastı artıran — yeni bilgi eklemeden algılanan keskinliği geri yükler.

Keskinleştirme miktarı önemlidir. Çok az, ve büyütülmüş görüntü yumuşak görünür. Çok fazla, ve haleler alırsınız — kenarların çevresinde doğal görünmeyen parlak veya koyu çizgiler. Tipik ayar: miktar 0,5, yarıçap 0,7 piksel, eşik 2. Bu, yapısal bozunuma yol açmadan kenarları iyileştirir.

Baskı için büyütme

Baskı 300 DPI (inç başına nokta) gerektirir. 4×6 inçlik bir baskı için fotoğrafın 1200×1800 piksel olması gerekir. Web çözünürlüklü bir fotoğraf (800×600), bu gereksinimi karşılamak için yatayda 1,5× ve dikeyde 3× büyütülmelidir.

Baskı için, genellikle yapay zekadan ziyade keskinleştirmeli Lanczos daha iyidir. Baskı her pikseli gösterir — ekranda iyi görünen yapay zeka tarafından halüline edilmiş doku, kağıtta "yanlış" görünebilir; özellikle izleyicilerin güçlü beklentileri olduğu yüzler ve ellerde.

Gizlilik

Büyütme tamamen tarayıcıda çalışabilir. Lanczos algoritması saf matematiktir — hiçbir veri cihazdan çıkmaz. Yapay zeka modelleri de ONNX Runtime Web veya TensorFlow.js aracılığıyla tarayıcıda çalışabilir, ancak model indirmesi (10-50 MB) tek seferlik bir maliyettir. Her iki durumda da, hiçbir görüntü sunucuya yüklenmez.

Gelecek

Yapay zeka büyütme hızla gelişiyor. Difüzyon tabanlı büyüticiler (Stable Diffusion'ın arkasındaki aynı teknoloji), artık doğru görüntü türleri için orijinal yüksek çözünürlüklü fotoğraflardan görsel olarak ayırt edilemez 8× büyütmeler üretebiliyor. Ödünleşim hızdır: bir difüzyon büyütme GPU'da 10-30 saniye, CPU'da dakikalar sürer.

Şimdilik, çoğu kullanıcı için pratik seçim Lanczos + keskinleştirmedir. Hızlıdır, ücretsizdir, her tarayıcıda çalışır ve kullanım örneklerinin %90'ı için "yeterince iyi" kalite üretir. Yapay zeka büyütme, kalite hızdan daha önemli olduğunda ve görüntü türü, yapay zeka modelinin eğitildiği türden olduğunda doğru seçimdir.