AI画像アップスケーリング:低解像度写真で実際に修正できることとできないこと

小さくぼやけた写真——古いスキャン、スクリーンショット、何かの唯一残されたコピーであるサムネイル——を大きなサイズに引き伸ばすと、結果はまったく同じようにぼやけたまま、ただ大きくなるだけだ。単純なリサイズは、そもそも捉えられていなかったディテールを追加することはできない。別のカテゴリーのツールがそれでも追加を試みる。

引き伸ばすことと、ディテールを生成すること

基本的なリサイズ(最近傍法、バイリニア、バイキュービック——標準的な補間手法)は、隣接するピクセルに基づいて各新しいピクセルの色を推定的に予測する。これにより滑らかにぼやけた大きな画像が生成されるが、決して元のソースより鮮明にはならない。AIアップスケーリングは根本的に異なるアプローチをとる。高解像度画像と意図的に劣化させた低解像度バージョンの膨大なペアで訓練されたモデルは、もっともらしい細かいディテールが通常どのように見えるかを学習し、既存のピクセルの平均ではなく、ディテールの本物の最良推定である新しいピクセルを生成する。

結果が本当にうまくいく場合

顔、テキスト、規則的なテクスチャ(レンガ、布地の織り、葉)は、AIアップスケーリングが最もうまく処理できるケースだ。これらはまさに、何百万もの写真で訓練されたモデルが最も多くの例を見てきたパターンであり、自信を持って再構築できるものだからだ。

生成が目立ち始める箇所

• 本当に独自で不規則なディテール——一般的な何にも似ていない特定のパターン——は、モデルが以前見たパターンから作業しているため、より一般的な見た目のものに「修正」されることがある。
• 馴染みのないフォントや、モデルがあまり訓練されていない言語のテキストは、実際の文字ではなく、もっともらしいが間違った文字のように見えることがある。
• 強く圧縮された、または非常に低解像度のソースは、モデルが扱う実際の信号を減らすため、結果のより多くの部分が失われたディテールの復元ではなく、モデルの生成になる。

本当に読む必要がある文書、証拠、歴史的記録など、心地よい結果よりも正確さが重要な場合は、拡大された画像を元のソースの代替としてではなく、閲覧の補助として扱うこと。