AI圖像放大:它在低解析度照片上真正能修復什麼、不能修復什麼

一張又小又模糊的照片——一份舊掃描檔、一張截圖、某樣東西僅存的唯一副本的縮圖——被拉伸到更大的尺寸,結果一樣模糊,只是變大了。單純調整大小沒辦法加上一開始就沒被捕捉到的細節;另一類工具還是會嘗試加上去。

拉伸與編造細節

基本的調整大小(最近鄰、雙線性、雙立方——標準的內插法)會根據相鄰像素,對每個新像素的顏色做出有根據的猜測,這會產生一張平滑模糊的較大圖片,但永遠不會比原始來源更清晰。AI放大採取了一種根本不同的做法:一個用大量高解析度圖片與刻意降質的低解析度版本配對訓練出來的模型,學會了看似合理的細膩細節通常長什麼樣子,並生成出的新像素是對細節真正的最佳猜測,而不是現有像素的平均值。

結果真正站得住腳的地方

人臉、文字和規律的紋理(磚塊、織物紋理、樹葉)是AI放大處理得最好的情況,因為這些正是一個在數百萬張照片上訓練出來的模型,看過最多範例、也能自信重建的模式。

編造開始顯現的地方

• 真正獨特、不規則的細節——一種不像任何常見事物的特定圖案——有時會被「修正」成看起來比較通用的樣子,因為模型是根據之前看過的模式在運作。
• 不熟悉的字型,或模型沒有大量訓練過的語言中的文字,可能會呈現出看似合理但錯誤的字元,而不是真正的字元。
• 高度壓縮或解析度非常低的來源,給模型可用的真實訊號較少,所以結果中有更大一部分是模型的編造,而不是找回遺失的細節。

對任何精確度比討喜的結果更重要的場合——一份你真的需要讀取的文件、證據、歷史紀錄——把放大後的圖片當成觀看的輔助工具,而不是原始來源的替代品。