Agrandissement d'image par IA : ce qu'il peut et ne peut pas vraiment corriger dans une photo basse résolution

Une petite photo floue — un vieux scan, une capture d'écran, une miniature qui est la seule copie restante de quelque chose — est étirée à une plus grande taille et le résultat est exactement aussi flou, juste plus grand. Le redimensionnement simple ne peut pas ajouter de détail qui n'a jamais été capturé au départ ; une autre catégorie d'outil essaie de l'ajouter quand même.

Étirer contre inventer du détail

Un redimensionnement basique (plus proche voisin, bilinéaire, bicubique — les méthodes d'interpolation standard) fait une estimation raisonnée de la couleur de chaque nouveau pixel à partir de ses voisins, ce qui produit une image plus grande légèrement floue mais jamais plus nette que la source. L'agrandissement par IA adopte une approche fondamentalement différente : un modèle entraîné sur d'énormes quantités de paires d'images haute résolution et de versions volontairement dégradées en basse résolution apprend à quoi ressemble un détail fin plausible, et génère de nouveaux pixels qui sont une véritable estimation du détail plutôt qu'une moyenne des pixels existants.

Là où les résultats tiennent vraiment la route

Les visages, le texte et les textures régulières (brique, tissage, feuillage) sont les cas que l'agrandissement par IA gère le mieux, car ce sont exactement les motifs dont un modèle entraîné sur des millions de photos a vu le plus d'exemples et qu'il peut reconstruire avec confiance.

Là où l'invention commence à se voir

• Un détail vraiment unique et irrégulier — un motif spécifique qui ne ressemble à rien de courant — est parfois « corrigé » vers quelque chose de plus générique, car le modèle travaille à partir de motifs déjà vus.
• Un texte dans une police peu familière ou une langue sur laquelle le modèle n'a pas été beaucoup entraîné peut ressortir sous forme de caractères plausibles mais erronés plutôt que les vrais.
• Des sources fortement compressées ou en très basse résolution donnent au modèle moins de signal réel à exploiter, donc une plus grande part du résultat relève de l'invention du modèle plutôt que de la récupération de détail perdu.

Pour tout ce où l'exactitude compte plus qu'un résultat agréable — un document qu'il faut vraiment pouvoir lire, une preuve, un document historique — considérez une image agrandie comme une aide à la visualisation, pas comme un substitut de la source originale.