AI图像放大:它在低分辨率照片上真正能修复什么,不能修复什么

一张又小又模糊的照片——一份旧扫描件、一张截图、某样东西仅存的唯一副本的缩略图——被拉伸到更大的尺寸,结果同样模糊,只是更大了。简单的调整大小无法添加最初就没有被捕捉到的细节;另一类工具还是会尝试添加它。

拉伸与编造细节

基本的调整大小(最近邻、双线性、双三次——标准的插值方法)根据相邻像素对每个新像素的颜色做出有依据的估计,这会产生一张平滑模糊的更大图像,但永远不会比源图更清晰。AI放大采取了一种根本不同的方式:在大量高分辨率图像与刻意降质的低分辨率版本配对训练的模型,学会了看似合理的细腻细节通常是什么样子,并生成的新像素是对细节真正的最佳猜测,而不是对现有像素的平均。

结果真正站得住脚的地方

人脸、文字和规则的纹理(砖块、织物纹理、树叶)是AI放大处理得最好的情形,因为这些正是一个在数百万张照片上训练的模型见过最多例子、能够自信重建的模式。

编造开始显现的地方

• 真正独特、不规则的细节——一种不像任何常见事物的特定图案——有时会被「修正」成看起来更通用的样子,因为模型是基于之前见过的模式来工作的。
• 不熟悉的字体或模型没怎么训练过的语言中的文字,可能会呈现出看似合理但错误的字符,而不是真实的字符。
• 高度压缩或分辨率非常低的来源给模型可用的真实信号更少,所以结果中更多部分是模型的编造,而不是对丢失细节的恢复。

对于任何精确性比讨喜结果更重要的场合——一份你真的需要读取的文档、证据、历史记录——把放大后的图像当作查看的辅助工具,而不是原始来源的替代品。