Comment fonctionne la mise à l'échelle par l'IA ?

Comment fonctionne la mise à l'échelle par IA ?

En bref : la mise à l’échelle par IA fonctionne en entraînant un modèle sur des paires d’images basse et haute résolution, puis en l’utilisant pour prédire des pixels supplémentaires réalistes lors de la mise à l’échelle. Si le modèle a rencontré des textures ou des visages similaires lors de son entraînement, il peut ajouter des détails convaincants ; sinon, il peut générer des artefacts tels que des halos, un aspect cireux de la peau ou des scintillements dans la vidéo.

Points clés à retenir :

Prédiction : Le modèle génère des détails plausibles, mais pas une reconstruction garantie de la réalité.

Choix du modèle : les CNN ont tendance à être plus stables ; les GAN peuvent paraître plus nets, mais risquent d’inventer des caractéristiques.

Vérification des artefacts : soyez attentif aux halos, aux textures répétées, aux « presque des lettres » et aux visages à l’aspect plastique.

Stabilité vidéo : Utilisez des méthodes temporelles, sinon vous constaterez un scintillement et une dérive d'une image à l'autre.

Utilisation à enjeux élevés : Si l'exactitude est importante, divulguez le traitement et considérez les résultats comme illustratifs.

Comment fonctionne la mise à l'échelle par l'IA ? Infographie.

Vous l'avez sûrement déjà vu : une petite image floue se transforme en une image suffisamment nette pour être imprimée, diffusée en streaming ou intégrée à une présentation sans le moindre problème. C'est presque de la triche. Et – dans le bon sens du terme – c'en est presque une 😅

Le fonctionnement de la mise à l'échelle par IA repose sur un principe plus précis que la simple amélioration des détails par l'ordinateur (une explication assez vague). Il s'apparente davantage à la prédiction, par un modèle, d'une structure haute résolution plausible à partir de schémas appris grâce à de nombreux exemples ( Deep Learning for Image Super-resolution: A Survey ). Cette étape de prédiction est cruciale : c'est pourquoi la mise à l'échelle par IA peut donner un résultat époustouflant… ou un aspect artificiel… ou encore donner l'impression que votre chat a des moustaches supplémentaires.

Articles que vous pourriez aimer lire après celui-ci :

🔗 Comment fonctionne l'IA
Apprenez les bases des modèles, des données et de l'inférence en IA.

🔗 Comment l'IA apprend
Découvrez comment les données d'entraînement et les retours d'information améliorent les performances du modèle au fil du temps.

🔗 Comment l'IA détecte les anomalies
Comprendre les schémas de référence et comment l'IA repère rapidement les comportements inhabituels.

🔗 Comment l'IA prédit les tendances
Explorez les méthodes de prévision qui repèrent les signaux et anticipent la demande future.

Comment fonctionne la mise à l'échelle par IA : l'idée de base, en termes simples 🧩

l'interpolation bicubique étire les pixels et lisse les transitions . C'est acceptable, mais cela ne permet pas d'ajouter de nouveaux détails ; il s'agit simplement d'une interpolation.

L’upscaling par IA tente une approche plus audacieuse (également appelée « super-résolution » dans le monde de la recherche) ( Deep Learning for Image Super-resolution: A Survey ) :

  • Il examine l'entrée basse résolution

  • Reconnaît les motifs (contours, textures, traits du visage, traits de texte, tissage de tissu…)

  • devrait ressembler une version en haute résolution.

  • Génère des données de pixels supplémentaires qui correspondent à ces motifs

Il ne s'agit pas de « restaurer la réalité à la perfection », mais plutôt de « faire une estimation très plausible » ( Super-résolution d'images à l'aide de réseaux de neurones convolutifs profonds (SRCNN) ). Si cela vous paraît un peu suspect, vous n'avez pas tort – mais c'est aussi ce qui explique son efficacité 😄

Et oui, cela signifie que la mise à l'échelle par IA est fondamentalement une hallucination contrôlée… mais d'une manière productive et respectueuse des pixels.

Qu'est-ce qui caractérise une bonne version de la mise à l'échelle par IA ? ✅🛠️

Si vous évaluez un outil de suréchantillonnage par IA (ou un préréglage de paramètres), voici ce qui compte généralement le plus :

  • Récupération des détails sans excès.
    Une bonne mise à l'échelle ajoute de la netteté et de la structure, et non du bruit numérique ou des pores artificiels.

  • Discipline des bords :
    des lignes nettes restent nettes. De mauvais modèles font vaciller les bords ou créent des halos.

  • Le réalisme des textures :
    les cheveux ne doivent pas ressembler à des coups de pinceau, et les briques ne doivent pas se transformer en un motif répétitif.

  • Gestion du bruit et de la compression :
    De nombreuses images du quotidien sont compressées à l’extrême en JPEG. Un bon convertisseur ne accentue pas ces défauts ( Real-ESRGAN ).

  • Sensibilisation aux visages et aux textes :
    les visages et les textes sont les éléments les plus faciles à repérer pour détecter les erreurs. Les bons modèles les traitent avec délicatesse (ou disposent de modes spécialisés).

  • Cohérence entre les images (pour la vidéo) :
    si les détails scintillent d’une image à l’autre, cela sera insupportable. La qualité de la mise à l’échelle vidéo repose entièrement sur sa stabilité temporelle ( BasicVSR (CVPR 2021) ).

  • Des commandes logiques.
    Vous voulez des curseurs qui correspondent à des résultats concrets : débruitage, défloutage, suppression des artefacts, conservation du grain, netteté… les fonctions pratiques.

Une règle tacite qui se vérifie : le « meilleur » agrandissement est souvent celui qu’on remarque à peine. On a juste l’impression d’avoir utilisé un meilleur appareil photo dès le départ 📷✨

Tableau comparatif : options populaires de suréchantillonnage par IA (et leurs avantages) 📊🙂

Vous trouverez ci-dessous un tableau comparatif pratique. Les prix sont volontairement approximatifs car les outils varient selon la licence, les packs, les coûts de calcul, etc.

Outil / Approche Idéal pour Ambiance Price Pourquoi ça marche (en gros)
Logiciels de mise à l'échelle de bureau de type Topaz ( Topaz Photo , Topaz Video ) Photos, vidéo, flux de travail simplifié Payé à peu près Des modèles généraux robustes, associés à de nombreux réglages, ont tendance à « fonctionner tout simplement »… la plupart du temps
Fonctionnalités de type « Super résolution » d'Adobe ( Adobe Améliorer > Super résolution ) Des photographes déjà présents dans cet écosystème Abonnement Reconstruction détaillée et solide, généralement conservatrice (moins dramatique)
Real-ESRGAN / variantes ESRGAN ( Real-ESRGAN , ESRGAN ) Bricolage, développeurs, travaux par lots Gratuit (mais coûteux en temps) Excellent pour les détails de texture, peut être irritant pour le visage si on n'y prend pas garde
Modes de suréchantillonnage basés sur la diffusion ( SR3 ) Travail créatif, résultats stylisés Mixte Capable de créer des détails magnifiques – mais aussi d'inventer des absurdités, alors… oui
Amélioration de la qualité des jeux (style DLSS/FSR) ( NVIDIA DLSS , AMD FSR 2 ) Jeux et rendu en temps réel Ensemble Utilise les données de mouvement et les connaissances préalables – pour des performances optimales 🕹️
Services de mise à l'échelle du cloud Commodité, gains rapides Paiement à l'utilisation Rapide et évolutif, mais au détriment du contrôle et parfois de la subtilité
Upscalers IA axés sur la vidéo ( BasicVSR , Topaz Video ) Images d'archives, anime, archives Payé à peu près Techniques temporelles pour réduire le scintillement + modèles vidéo spécialisés
Mise à l'échelle des photos sur smartphone/galerie usage occasionnel Compris Des modèles légers optimisés pour un rendu agréable, pas pour la perfection (mais toujours pratiques)

Petit aveu concernant une bizarrerie de mise en page : « Paiement quasi-payé » joue un rôle important dans ce tableau. Mais vous comprenez l’idée 😅

Le grand secret : les modèles apprennent une correspondance entre les images basse résolution et les images haute résolution 🧠➡️🖼️

Au cœur de la plupart des techniques de suréchantillonnage par IA se trouve un système d'apprentissage supervisé ( Super-résolution d'images à l'aide de réseaux convolutionnels profonds (SRCNN) ) :

  1. Commencez par des images haute résolution (la « vérité »)

  2. Réduisez leur résolution en versions basse (l’« entrée »)

  3. Entraînez un modèle à reconstruire l'image originale haute résolution à partir de l'image basse résolution

Au fil du temps, le modèle apprend des corrélations telles que :

  • « Ce type de flou autour de l'œil est généralement dû aux cils. »

  • « Ce groupe de pixels indique souvent un texte à empattements. »

  • « Ce dégradé de bord ressemble à une ligne de toit, pas à un bruit aléatoire. »

Il ne s'agit pas de mémoriser des images spécifiques (au sens strict), mais d'apprendre leur structure statistique ( Deep Learning for Image Super-resolution: A Survey ). Imaginez que vous apprenez la grammaire des textures et des contours. Pas la grammaire de la poésie, plutôt… la grammaire des manuels IKEA 🪑📦 (métaphore un peu maladroite, mais assez proche de la réalité).

Les détails pratiques : ce qui se passe lors de l’inférence (lors du passage à l’échelle supérieure) ⚙️✨

Lorsqu'on soumet une image à un processeur d'upscaler IA, le processus est généralement le suivant :

  • Prétraitement

    • Convertir l'espace colorimétrique (parfois)

    • Normaliser les valeurs des pixels

    • Découpez l'image en morceaux si elle est grande (vérifiez la consommation de VRAM 😭) ( Dépôt Real-ESRGAN (options de découpage) )

  • Extraction de caractéristiques

    • Les premières couches détectent les contours, les angles et les dégradés

    • Les couches plus profondes détectent des motifs : textures, formes, composantes du visage

  • Reconstruction

    • Le modèle génère une carte de caractéristiques à plus haute résolution

    • Ensuite, cela est converti en sortie de pixels réelle

  • Post-traitement

    • Affûtage optionnel

    • réduction de bruit optionnelle

    • Suppression optionnelle des artefacts (sonnerie, halos, effet de bloc)

Un détail subtil : de nombreux outils agrandissent les tuiles puis estompent les raccords. Les excellents outils masquent les limites des tuiles. Les outils médiocres laissent apparaître de légères marques de grille si on plisse les yeux. Et oui, vous plisserez les yeux, car nous adorons inspecter les moindres imperfections à 300 % de zoom, tels de petits lutins 🧌

Les principales familles de modèles utilisées pour la mise à l'échelle par IA (et pourquoi elles donnent une impression différente) 🤖📚

1) Super-résolution basée sur les CNN (la méthode classique et éprouvée)

Les réseaux neuronaux convolutifs sont excellents pour les motifs locaux : contours, textures, petites structures ( Super-résolution d'images à l'aide de réseaux convolutifs profonds (SRCNN) ).

  • Avantages : assez rapide, stable, moins de surprises

  • Inconvénients : peut paraître un peu « artificiel » si on insiste trop

2) Mise à l'échelle basée sur les GAN (style ESRGAN) 🎭

Les GAN (Generative Adversarial Networks) entraînent un générateur à produire des images haute résolution qu'un discriminateur ne peut pas distinguer des images réelles ( Generative Adversarial Networks ).

  • Points forts : détails percutants, texture impressionnante

  • Inconvénients : peut inventer des détails qui n’existaient pas – parfois erronés, parfois troublants ( SRGAN , ESRGAN )

Un GAN peut vous offrir une netteté à couper le souffle. Il peut aussi donner un sourcil supplémentaire à votre sujet. Alors… à vous de choisir 😬

3) La montée en puissance par diffusion (l'atout créatif) 🌫️➡️🖼️

Les modèles de diffusion débruitent étape par étape et peuvent être guidés pour produire des détails haute résolution ( SR3 ).

  • Points forts : maîtrise exceptionnelle du détail plausible, notamment pour les travaux créatifs

  • Inconvénients : peut s'éloigner de l'identité/structure d'origine si les paramètres sont agressifs ( SR3 )

C’est là que la « montée en gamme » commence à se confondre avec la « réinvention ». Parfois, c’est exactement ce que l’on souhaite. Parfois, non.

4) Mise à l'échelle vidéo avec cohérence temporelle 🎞️

La mise à l'échelle vidéo ajoute souvent une logique de prise en compte du mouvement :

  • Utilise les images voisines pour stabiliser les détails ( BasicVSR (CVPR 2021) )

  • Tente d'éviter les scintillements et les artefacts de déplacement

  • Il combine souvent la super-résolution avec la réduction du bruit et le désentrelacement ( Topaz Video ).

Si l'agrandissement d'une image s'apparente à la restauration d'un tableau, l'agrandissement d'une vidéo revient à restaurer un folioscope sans que la forme du nez du personnage ne change à chaque page. Ce qui est… plus difficile qu'il n'y paraît.

Pourquoi la mise à l'échelle par IA paraît parfois artificielle (et comment la repérer) 👀🚩

L'extrapolation par IA présente des défauts facilement identifiables. Une fois ces schémas repérés, vous les verrez partout, un peu comme lorsqu'on achète une nouvelle voiture et qu'on remarque soudainement le même modèle à chaque coin de rue 😵💫

Common raconte :

  • Peau cirée sur le visage (trop de réduction du bruit et de lissage)

  • Halos trop accentués autour des contours (zone classique de « dépassement ») ( interpolation bicubique )

  • Textures répétées (les murs de briques deviennent des motifs copiés-collés)

  • Un micro-contraste saisissant qui crie « algorithme »

  • Déformation de texte où les lettres deviennent des quasi-lettres (le pire type)

  • Dérive des détails lorsque de petites caractéristiques changent subtilement, en particulier dans les flux de travail de diffusion ( SR3 )

Le problème, c'est que parfois, ces artefacts semblent « meilleurs » au premier abord. Notre cerveau apprécie la netteté. Mais après un instant, on a une impression… étrange.

Une bonne tactique consiste à dézoomer et à vérifier si l'image paraît naturelle à une distance de vision normale. Si elle n'est correcte qu'à 400 % de zoom, ce n'est pas une réussite, c'est un passe-temps 😅

Comment fonctionne l'amélioration de l'IA : la partie entraînement, sans les maux de tête mathématiques 📉🙂

L'entraînement des modèles de super-résolution implique généralement :

Types de pertes typiques :

  • La perte de pixels (L1/L2)
    favorise la précision. Peut produire des résultats légèrement flous.

  • La perte perceptive
    compare des caractéristiques plus profondes (comme « est-ce que cela ressemble à quelque chose ? ») plutôt que des pixels exacts ( Pertes perceptives (Johnson et al., 2016) ).

  • La perte adverse (GAN)
    encourage le réalisme, parfois au détriment de la précision littérale ( SRGAN , Generative Adversarial Networks ).

Il y a un bras de fer constant :

  • Rendez-le fidèle à l'original
    vs

  • Rendez-le visuellement agréable

Chaque outil se situe à un endroit différent sur ce spectre. Votre préférence dépendra de l'utilisation que vous ferez : restauration de photos de famille ou création d'une affiche, où l'esthétique prime sur la précision chirurgicale.

Flux de travail pratiques : photos, anciens scans, anime et vidéo 📸🧾🎥

Photos (portraits, paysages, photos de produits)

La meilleure pratique consiste généralement à :

  • Débruitage léger au préalable (si nécessaire)

  • Haut de gamme avec des paramètres conservateurs

  • Ajoutez du grain si la surface vous semble trop lisse (oui, vraiment)

Les céréales, c'est comme le sel : trop, et le repas est gâché ; pas assez, et le goût est fade. 🍟

Anciennes numérisations et images fortement compressées

Ces cas sont plus difficiles car le modèle peut traiter les blocs de compression comme de la « texture ».
Essayez :

  • Suppression ou déblocage des artefacts

  • Ensuite, monter en gamme

  • Puis un léger affûtage (pas trop… je sais, tout le monde dit ça, mais quand même)

Dessin au trait et anime

Le dessin au trait bénéficie de :

  • Des modèles qui préservent des bords nets

  • L'effet de texture réduite, dû à
    la mise à l'échelle des animes, est souvent réussi car les formes sont plus simples et uniformes. (Chanceux !)

Vidéo

La vidéo ajoute des étapes supplémentaires :

  • Denoise

  • Désentrelacement (pour certaines sources)

  • Haut de gamme

  • Lissage ou stabilisation temporelle ( BasicVSR (CVPR 2021) )

  • Réintroduction facultative de grains pour la cohésion

Si vous négligez la cohérence temporelle, vous obtenez ce scintillement discret. Une fois que vous l'avez remarqué, impossible de l'ignorer. Comme une chaise qui grince dans une pièce silencieuse 😖

Choisir les réglages sans deviner au hasard (un petit guide pratique) 🎛️😵💫

Voici un bon état d'esprit de départ :

  • Si les visages paraissent artificiels
    , réduisez la réduction du bruit et de la netteté, et essayez un modèle ou un mode préservant les visages.

  • Si les textures paraissent trop intenses,
    baissez les curseurs « amélioration des détails » ou « récupération des détails », puis ajoutez un grain subtil.

  • Si les bords brillent,
    réduisez la netteté et vérifiez les options de suppression du halo.

  • Si l'image paraît trop « IA »,
    optez pour une approche plus sobre. Parfois, la meilleure solution est tout simplement… la simplicité.

De plus : n’agrandissez pas jusqu’à 8x juste parce que vous le pouvez. Un agrandissement propre de 2x ou 4x est souvent idéal. Au-delà, vous demandez au modèle d’écrire une fanfiction à partir de vos pixels 📖😂

Éthique, authenticité et la question délicate de la « vérité » 🧭😬

La mise à l'échelle par l'IA brouille les frontières :

  • La restauration implique de récupérer ce qui était là

  • L'amélioration implique l'ajout de ce qui n'était pas inclus

Pour les photos personnelles, généralement, il n'y a pas de problème (et c'est même très joli). En revanche, pour le journalisme, les preuves juridiques, l'imagerie médicale ou tout autre domaine où la fidélité est primordiale, il faut être prudent ( OSAC/NIST : Guide standard pour la gestion des images numériques à des fins médico-légales , Directives SWGDE pour l'analyse d'images à des fins médico-légales ).

Une règle simple :

  • Si les enjeux sont importants, considérez la montée en puissance de l'IA comme illustrative et non définitive.

Par ailleurs, la transparence est essentielle dans un contexte professionnel. Non pas parce que l'IA est malveillante, mais parce que le public a le droit de savoir si des détails ont été reconstitués ou enregistrés. C'est tout simplement une question de respect.

Conclusion et bref récapitulatif 🧡✅

Le principe de la mise à l'échelle par IA est le suivant : les modèles apprennent comment les détails haute résolution sont généralement liés aux motifs basse résolution, puis prédisent des pixels supplémentaires crédibles lors de la mise à l'échelle ( Deep Learning for Image Super-resolution: A Survey ). Selon la famille de modèles (CNN, GAN, diffusion, vidéo-temporel), cette prédiction peut être prudente et fidèle… ou audacieuse et parfois même farfelue 😅

Petit récapitulatif

Si vous le souhaitez, dites-moi ce que vous mettez à l'échelle (visages, vieilles photos, vidéos, anime, scans de textes), et je vous suggérerai une stratégie de réglages qui tend à éviter les pièges courants de l'« effet IA » 🎯🙂

FAQ

La mise à l'échelle par IA et son fonctionnement

La mise à l'échelle par IA (souvent appelée « super-résolution ») augmente la résolution d'une image en prédisant les détails haute résolution manquants à partir de modèles appris lors de l'entraînement. Au lieu de simplement étirer les pixels comme avec l'interpolation bicubique, un modèle étudie les contours, les textures, les visages et les traits de texte, puis génère de nouvelles données de pixels cohérentes avec ces modèles appris. Il s'agit moins de « restaurer la réalité » que de « formuler une estimation plausible » qui paraît naturelle.

Mise à l'échelle par IA versus redimensionnement bicubique ou traditionnel

Les méthodes de suréchantillonnage traditionnelles (comme le bicubique) interpolent principalement entre les pixels existants, lissant les transitions sans créer de véritables détails. Le suréchantillonnage par IA vise à reconstruire une structure plausible en reconnaissant des indices visuels et en prédisant à quoi ressembleront leurs versions haute résolution. C'est pourquoi les résultats de l'IA peuvent paraître beaucoup plus nets, mais aussi pourquoi ils peuvent introduire des artefacts ou « inventer » des détails absents de l'image source.

Pourquoi le visage peut paraître cireux ou excessivement lisse

L'aspect cireux des visages est généralement dû à un débruitage et un lissage excessifs, associés à une netteté qui gomme le grain naturel de la peau. De nombreux logiciels traitent le bruit et les détails fins de la même manière ; ainsi, « nettoyer » une image peut effacer les pores et les détails subtils. Une approche courante consiste à réduire le débruitage et la netteté, à utiliser un mode de préservation du visage si disponible, puis à réintroduire légèrement du grain pour un résultat plus naturel et moins artificiel.

Artefacts courants de suréchantillonnage par IA à surveiller

Les signes typiques incluent des halos autour des contours, des motifs de texture répétitifs (comme des briques copiées-collées), un micro-contraste criard et un texte qui se transforme en « presque des lettres ». Dans les flux de travail basés sur la diffusion, on observe également une dérive des détails lorsque de petits éléments changent subtilement. En vidéo, le scintillement et le déplacement des détails d'une image à l'autre sont des signaux d'alarme importants. Si l'image n'est correcte qu'à un zoom extrême, les paramètres sont probablement trop agressifs.

En quoi les résultats des GAN, CNN et des upscalers de diffusion tendent-ils à différer ?

La super-résolution basée sur les CNN est généralement plus stable et prévisible, mais peut paraître « traitée » si elle est poussée à l'extrême. Les options basées sur les GAN (de type ESRGAN) produisent souvent une texture plus contrastée et une netteté perçue accrue, mais peuvent générer des détails erronés, notamment sur les visages. La mise à l'échelle par diffusion peut produire des détails magnifiques et réalistes, mais elle peut s'éloigner de la structure originale si les paramètres de guidage ou d'intensité sont trop élevés.

Une stratégie de paramétrage pratique pour éviter un aspect « trop IA »

Commencez par des réglages prudents : augmentez la résolution de 2x ou 4x avant d’opter pour des valeurs extrêmes. Si les visages paraissent artificiels, réduisez la réduction du bruit et la netteté, et essayez un mode de reconnaissance faciale. Si les textures sont trop marquées, diminuez l’amélioration des détails et envisagez d’ajouter un grain subtil par la suite. Si les contours sont lumineux, réduisez la netteté et vérifiez la suppression des halos ou des artefacts. Dans de nombreux processus de production, la simplicité est souvent préférable, car elle préserve un réalisme convaincant.

Traitement des anciennes numérisations ou des images fortement compressées en JPEG avant la mise à l'échelle

Les images compressées sont délicates car les modèles peuvent interpréter les artefacts de bloc comme une texture réelle et les amplifier. Une méthode courante consiste à supprimer ou débloquer les artefacts, puis à effectuer une mise à l'échelle, et enfin à accentuer légèrement la netteté si nécessaire. Pour les numérisations, un nettoyage léger permet au modèle de se concentrer sur la structure réelle plutôt que sur les défauts. L'objectif est de réduire les « fausses caractéristiques de la texture » ​​afin que le programme de mise à l'échelle ne soit pas contraint de faire des suppositions à partir de données bruitées.

Pourquoi la mise à l'échelle vidéo est plus difficile que la mise à l'échelle photo

La mise à l'échelle vidéo doit être homogène d'une image à l'autre, et non pas seulement optimale sur une image fixe. Si les détails scintillent d'une image à l'autre, le résultat devient rapidement gênant. Les méthodes dédiées à la vidéo utilisent les informations temporelles des images voisines pour stabiliser la reconstruction et éviter les artefacts de scintillement. De nombreux flux de travail incluent également la réduction du bruit, le désentrelacement pour certaines sources et, en option, la réintroduction du grain afin que la séquence entière paraisse cohérente plutôt qu'artificiellement nette.

Lorsque la mise à l'échelle par l'IA n'est pas appropriée ou qu'il est risqué de s'y fier

L'amélioration d'image par l'IA doit être considérée comme un enrichissement, et non comme une preuve. Dans des contextes sensibles tels que le journalisme, les preuves juridiques, l'imagerie médicale ou les enquêtes médico-légales, la génération de pixels « réels » peut induire en erreur, car elle peut ajouter des détails non capturés lors de la prise de vue. Il est plus prudent de l'utiliser à titre d'illustration et de préciser qu'un processus d'IA a reconstruit des détails. Si la fidélité est essentielle, il convient de conserver les originaux et de documenter chaque étape et paramètre de traitement.

Références

  1. arXiv - Apprentissage profond pour la super-résolution d'images : une étude - arxiv.org

  2. arXiv - Super-résolution d'images à l'aide de réseaux de neurones convolutifs profonds (SRCNN) - arxiv.org

  3. arXiv - Real-ESRGAN - arxiv.org

  4. arXiv - ESRGAN - arxiv.org

  5. arXiv - SR3 - arxiv.org

  6. Développeur NVIDIA - NVIDIA DLSS - developer.nvidia.com

  7. AMD GPUOpen - FidelityFX Super Resolution 2 - gpuopen.com

  8. La Computer Vision Foundation (CVF) Open Access - BasicVSR : La recherche des composants essentiels de la super-résolution vidéo (CVPR 2021) - openaccess.thecvf.com

  9. arXiv - Réseaux antagonistes génératifs - arxiv.org

  10. arXiv - SRGAN - arxiv.org

  11. arXiv - Pertes perceptuelles (Johnson et al., 2016) - arxiv.org

  12. GitHub - Dépôt Real-ESRGAN (options de tuiles) - github.com

  13. Wikipédia - Interpolation bicubique - wikipedia.org

  14. Topaz Labs - Topaz Photo - topazlabs.com

  15. Topaz Labs - Vidéo Topaz - topazlabs.com

  16. Centre d'aide Adobe - Adobe Enhance > Super résolution - helpx.adobe.com

  17. NIST/OSAC - Guide standard pour la gestion des images numériques à des fins médico-légales (version 1.0) - nist.gov

  18. SWGDE - Lignes directrices pour l'analyse d'images médico-légales - swgde.org

Découvrez les dernières fonctionnalités d'IA sur la boutique officielle des assistants IA

À propos de nous

Retour au blog