راهنمای بهبود کیفیت تصویر با هوش مصنوعی

تصاویر با وضوح پایین را تا ۴ برابر با استفاده از استنتاج شبکه عصبی ESRGAN بزرگ‌نمایی کنید. وضوح را افزایش دهید، نویز را کاهش دهید و جزئیات را بازیابی کنید. پردازش در سرور ConvertCraft با محدودیت زمانی ۲۰ دقیقه انجام می‌شود.

آنچه نیاز دارید

مرورگر — کروم، فایرفاکس، سافاری یا اج فرمت‌ها — JPG، JPEG، PNG، WEBP، AVIF یا GIF محدودیت — ۲۰ مگابایت برای هر فایل (فایل‌های بزرگ‌تر از ۲۰ مگابایت رد می‌شوند).

بهبود کیفیت تصویر

ابزار AI Image Enhancer را در مرورگر خود باز کنید. فایل تصویر خود را از مدیریت فایل کشیده و در ناحیه آپلود رها کنید. همچنین می‌توانید روی ناحیه آپلود کلیک کنید تا فایل را از دستگاه خود انتخاب کنید.

قبل از آپلود مطمئن شوید که حجم فایل کمتر از ۲۰ مگابایت است؛ فایل‌های بیش از این مقدار رد خواهند شد. ضریب بزرگ‌نمایی خود را انتخاب کنید: ۲ برابر یا ۴ برابر. تنظیم ۲ برابر، ابعاد تصویر را دو برابر کرده و جزئیات را به طور متوسط بازیابی می‌کند.

تنظیم ۴ برابر، ابعاد را چهار برابر کرده و حداکثر بازیابی جزئیات را انجام می‌دهد، اما زمان پردازش را به طور قابل توجهی افزایش می‌دهد. روی دکمه بهبود کلیک کنید. موتور، تصویر شما را از طریق HTTP POST به سرور آپلود می‌کند.

مدل ESRGAN در سمت سرور، تصویر را با استفاده از استنتاج GPU پردازش می‌کند. این یک شبکه عصبی است که از وزن‌های آموزش‌دیده برای پیش‌بینی جزئیات با وضوح بالا از ورودی با وضوح پایین استفاده می‌کند. تصویر بهبودیافته را بررسی کنید.

موتور نسخه‌های اصلی و بهبودیافته را در کنار هم نمایش می‌دهد. اگر نتیجه مطلوب است، برای دانلود اقدام کنید. در غیر این صورت، سطح بهبود دیگری را امتحان کنید.

پس از رضایت از نتیجه، روی دکمه دانلود کلیک کنید. سرور تصویر بهبودیافته را از طریق پاسخ HTTP تحویل می‌دهد. مرورگر آن را مستقیماً در دستگاه شما ذخیره می‌کند.

فایل‌های موقت بلافاصله پس از دانلود از سرور حذف می‌شوند.

نحوه عملکرد

ابزار AI Image Enhancer از ESRGAN (شبکه عصبی مولد فوق‌وضوح پیشرفته) استفاده می‌کند؛ یک مدل شبکه عصبی که با پیش‌بینی جزئیات با وضوح بالا از ورودی با وضوح پایین، تصاویر را بزرگ‌نمایی می‌کند. هنگامی که تصویری را آپلود می‌کنید، مرورگر داده‌های باینری را از طریق HTTP POST به عنوان یک آپلود فرم چندبخشی به سرور می‌فرستد. سرور تصویر را دریافت کرده و برای استنتاج شبکه عصبی آماده می‌کند.

سرور وزن‌های مدل ESRGAN را از دیسک به حافظه GPU بارگذاری می‌کند. معماری مدل شامل یک شبکه مولد با چندین بلوک متراکم باقی‌مانده (RRDB) است که هر کدام شامل لایه‌های کانولوشن، نرمال‌سازی دسته‌ای و فعال‌سازهای Leaky ReLU هستند. این مولد بر روی جفت‌هایی از تصاویر با وضوح پایین و بالا آموزش دیده است تا نگاشت از جزئیات تخریب‌شده به جزئیات شفاف را یاد بگیرد.

موتور، تصویر شما را با تقسیم آن به کاشی‌های هم‌پوشان (معمولاً ۱۲۸x۱۲۸ یا ۲۵۶x۲۵۶ پیکسل) پردازش می‌کند تا در محدودیت‌های حافظه GPU قرار گیرد. هر کاشی به طور مستقل از شبکه عصبی عبور می‌کند. شبکه مولد هر کاشی را از طریق لایه‌های کانولوشن خود پردازش کرده و نقشه‌های ویژگی را با استفاده از عملیات پیکسل‌شافل (که به عنوان کانولوشن زیرپیکسلی نیز شناخته می‌شود) به تدریج بزرگ‌نمایی می‌کند.

برای بزرگ‌نمایی ۴ برابر، شبکه دو مرحله بزرگ‌نمایی ۲ برابر را اعمال می‌کند که هر کدام عرض و ارتفاع را دو برابر می‌کنند.

در طول استنتاج، مدل جزئیات فرکانس بالایی را پیش‌بینی می‌کند که در تصویر اصلی وجود ندارند؛ این مدل بافت‌های قابل قبول، تیزی لبه‌ها و ساختارهای ظریف را بر اساس الگوهای یادگرفته‌شده در طول آموزش بازسازی می‌کند. برای مثال، یک چهره تار در ورودی با وضوح پایین، با کانتورهای چشم، بافت پوست و جزئیات مو که مدل از میلیون‌ها نمونه آموزشی یاد گرفته است، بازسازی می‌شود.

پس از پردازش تمام کاشی‌ها، موتور تصویر بهبودیافته کامل را با ترکیب مناطق هم‌پوشان کاشی‌ها بازسازی می‌کند تا آثار درز از بین بروند. تصویر بهبودیافته سپس از طریق پاسخ HTTP به مرورگر شما بازگردانده می‌شود. سرور تمام فایل‌های موقت و تخصیص‌های حافظه GPU را بلافاصله پس از تحویل پاک می‌کند.

هنگامی که مشکلی پیش می‌آید

آپلود ناموفق است: تصویر شما از محدودیت ۲۰ مگابایت فراتر رفته است. سرور این آستانه را به شدت اعمال می‌کند. هر فایلی که بیش از ۲۰ مگابایت باشد، از محدودیت پشتیبانی‌شده فراتر رفته و رد خواهد شد.

زمان پردازش تمام می‌شود: سرور برای این عملیات محدودیت زمانی ۲۰ دقیقه‌ای دارد. تصاویر بزرگ با بزرگ‌نمایی ۴ برابر ممکن است به این محدودیت نزدیک شوند زیرا کاشی‌های بیشتری باید از طریق شبکه عصبی پردازش شوند. سعی کنید از بزرگ‌نمایی ۲ برابر استفاده کنید یا ابعاد منبع را کاهش دهید.

تصویر بهبودیافته مصنوعی به نظر می‌رسد: ESRGAN یک شبکه عصبی است که جزئیات را پیش‌بینی می‌کند. گاهی اوقات جزئیات را به اشتباه پیش‌بینی می‌کند و بافت‌ها یا آثار غیرطبیعی ایجاد می‌کند. این مورد به‌ویژه در چهره‌ها (جایی که مدل ممکن است ویژگی‌های صورت را اشتباه تولید کند) یا متن (جایی که مدل ممکن است کاراکترهای نامفهوم تولید کند) رایج است.

تصویر بهبودیافته تار است: تصویر منبع جزئیات کافی برای پیش‌بینی مدل ندارد. ESRGAN با تصاویری که دارای جزئیات هستند بهترین عملکرد را دارد؛ تصاویر کاملاً تار حاوی هیچ اطلاعات فرکانس بالایی برای بهبود توسط مدل نیستند و نتایج تاری تولید می‌کنند.

### چرا بهبود کیفیت زمان زیادی می‌برد؟

ESRGAN یک شبکه عصبی عمیق با میلیون‌ها پارامتر است. پردازش هر پیکسل از طریق چندین لایه کانولوشن به منابع محاسباتی قابل توجهی نیاز دارد. ضرایب بزرگ‌نمایی بالاتر، حجم کار را به صورت نمایی افزایش می‌دهند زیرا تصویر خروجی ۴ برابر (برای بزرگ‌نمایی ۲ برابر) یا ۱۶ برابر (برای بزرگ‌نمایی ۴ برابر) پیکسل‌های بیشتری نسبت به ورودی دارد.

این مدل روی GPU سرور اجرا می‌شود که سریع‌تر از CPU است، اما همچنان برای تصاویر بزرگ به زمان پردازش قابل توجهی نیاز دارد.

### تصویر من در طول پردازش چگونه ذخیره می‌شود؟

تصویر شما از طریق HTTPS به سرور منتقل شده، در حافظه GPU توسط مدل ESRGAN پردازش شده و به عنوان نتیجه بهبودیافته بازگردانده می‌شود. هیچ فایل موقتی روی دیسک ذخیره نمی‌شود. تمام داده‌ها بلافاصله پس از ارسال پاسخ از حافظه سرور پاک می‌شوند.

### آیا می‌توانم تصاویر بزرگ‌تر از ۲۰ مگابایت را بهبود دهم؟

سرور محدودیت حجم فایل ۲۰ مگابایت را اعمال می‌کند. هر فایلی که بیش از ۲۰ مگابایت باشد، از محدودیت پشتیبانی‌شده فراتر رفته و رد خواهد شد. قبل از آپلود، ابعاد تصویر را کاهش دهید یا فایل را فشرده کنید.