AI 이미지 업스케일링: 저해상도 사진에서 실제로 고칠 수 있는 것과 없는 것

작고 흐릿한 사진 — 오래된 스캔본, 스크린샷, 무언가의 유일하게 남은 사본인 썸네일 — 을 더 큰 크기로 늘이면 결과는 정확히 똑같이 흐릿하고 크기만 커진다. 단순한 크기 조정은 애초에 담기지 않았던 디테일을 추가할 수 없다. 다른 범주의 도구가 그래도 그것을 추가하려 시도한다.

늘이기와 디테일 만들어내기

기본적인 크기 조정(최근접 이웃, 쌍선형, 쌍입방 — 표준 보간 방법)은 이웃 픽셀을 기반으로 각 새 픽셀의 색상을 근거 있게 추정하며, 이는 부드럽게 흐려진 더 큰 이미지를 만들지만 원본보다 더 선명한 것은 절대 만들지 못한다. AI 업스케일링은 근본적으로 다른 접근 방식을 취한다. 고해상도 이미지와 의도적으로 저하된 저해상도 버전 쌍을 대량으로 학습한 모델은 그럴듯한 미세 디테일이 보통 어떻게 생겼는지를 배우고, 기존 픽셀의 평균이 아니라 디테일에 대한 진짜 최선의 추측인 새로운 픽셀을 생성한다.

결과가 정말로 잘 버티는 경우

얼굴, 텍스트, 규칙적인 질감(벽돌, 직물 짜임, 나뭇잎)은 AI 업스케일링이 가장 잘 처리하는 경우다. 수백만 장의 사진으로 훈련된 모델이 가장 많은 예시를 본 패턴이고 자신 있게 재구성할 수 있는 것이 바로 이것들이기 때문이다.

창작이 눈에 띄기 시작하는 지점

• 정말로 독특하고 불규칙한 디테일 — 흔한 것과 닮지 않은 특정 패턴 — 은 모델이 이전에 본 패턴을 바탕으로 작업하기 때문에 때때로 더 일반적으로 보이는 것으로 「수정」된다.
• 낯선 글꼴이나 모델이 많이 훈련되지 않은 언어의 텍스트는 실제 문자 대신 그럴듯하지만 틀린 문자처럼 나올 수 있다.
• 심하게 압축되었거나 매우 저해상도인 원본은 모델에 작업할 실제 신호를 덜 주므로, 결과의 더 많은 부분이 잃어버린 디테일의 복원이 아니라 모델의 창작이 된다.

정확성이 만족스러운 결과보다 더 중요한 경우 — 정말로 읽어야 하는 문서, 증거, 역사적 기록 — 확대된 이미지를 원본 소스의 대체물이 아니라 보기 위한 보조 수단으로 취급하라.