Real‑ESRGAN یک پروژه متنباز برای Super‑Resolution و ترمیم تصاویر واقعی است؛ یعنی تلاش میکند تصویر کموضوح، فشرده یا نویزی را بزرگتر و از نظر بصری تمیزتر کند. این ابزار میتواند برای عکس، فریمهای ویدیو، تصویر رندر و انیمه مفید باشد، اما جزئیات واقعیِ ازدسترفته را بازیابی نمیکند و ممکن است بافتهایی محتمل اما غیرواقعی بسازد. بنابراین خروجی آن برای ارائه بصری مناسب است، نه برای پزشکی قانونی، اندازهگیری مهندسی یا خواندن متنهای ناخوانا.
Real‑ESRGAN نسخهای کاربردی از خانواده ESRGAN است که برای Blind Super‑Resolution دنیای واقعی طراحی شده؛ یعنی از قبل نمیداند تصویر دقیقاً با چه نوع Blur، نویز، فشردهسازی یا Resize خراب شده است. مقاله اصلی توضیح میدهد که جفتهای آموزشی با تخریب مصنوعی چندمرحلهای ساخته میشوند تا مدل با ترکیبهای پیچیدهتری از مشکلات واقعی روبهرو شود. هدف اصلی پروژه نیز «ترمیم عمومی تصویر و ویدیو» است، نه صرفاً افزایش تعداد پیکسلها.
تفاوت مهم این روش با Resize معمولی آن است که الگوریتمهایی مانند Bicubic فقط پیکسلهای میانجی را محاسبه میکنند، اما مدل یادگیری عمیق میکوشد الگوهای لبه، بافت و نویز را بازسازی کند. همین قابلیت میتواند نتیجه را طبیعیتر کند و در عین حال منشأ خطا باشد: مدل ممکن است مو، پوست، نوشته، بافت پارچه یا خطوط معماری را متفاوت از اصل تصویر بازآفرینی کند.
| مدل | کاربرد پیشنهادی | نکته مهم |
|---|---|---|
| RealESRGAN_x4plus | عکس و صحنه عمومی | بزرگنمایی پیشفرض 4x؛ برای بیشتر تصاویر نقطه شروع است |
| RealESRGAN_x4plus_anime_6B | انیمه و تصویرسازی | مدل کوچکتر برای خطوط و سطوح گرافیکی |
| realesr-animevideov3 | فریمهای انیمه | برای محتوای انیمه بهینه شده، نه الزاماً عکس واقعی |
| realesr-general-x4v3 | صحنه عمومی با کنترل نویز | گزینه denoise strength دارد؛ مدل کوچکتر ممکن است جزئیات محدودتری بسازد |
مدل مناسب را با یک Crop نماینده آزمایش کنید. بزرگنمایی بیشتر همیشه بهتر نیست: اگر فایل نهایی فقط برای وب یا شبکه اجتماعی است، خروجی بسیار بزرگ مصرف حافظه و زمان را افزایش میدهد و ممکن است خطاها را برجستهتر کند. برای پروژه حرفهای، یک نسخه بدون Sharpen اضافی نگه دارید و در اندازه نمایش نهایی قضاوت کنید.
نام مدل x4 به ظرفیت اصلی آن اشاره دارد، اما خروجی نهایی میتواند با --outscale به اندازه دیگری تبدیل شود. برای تصویری که فقط کمی کوچک است، خروجی 2x معمولاً کنترلپذیرتر از 4x است و فضای ذخیرهسازی کمتری مصرف میکند. اگر فایل برای چاپ بزرگ یا Crop شدید آماده میشود، 4x را آزمایش کنید؛ سپس نتیجه را با یک Resize ساده مقایسه کنید تا مطمئن شوید بافتهای مولد واقعاً ارزش افزوده دارند.
افزایش ابعاد تصویر با افزایش اطلاعات معتبر یکسان نیست. یک فایل 1000×1000 پس از Scale چهاربرابری به 4000×4000 میرسد، اما جزئیات تازه، برآورد مدل هستند. در تصاویر محصول، معماری و مستندات فنی، لوگو، نوشته، پیچها، خطوط اتصال و بافت مصالح را جداگانه کنترل کنید. اگر وفاداری مهمتر از ظاهر چشمگیر است، Denoise و Sharpen کمتر نتیجه امنتری میدهد.
Real‑ESRGAN اساساً برای Restoration و Super‑Resolution ساخته شده و قرار نیست ترکیببندی تصویر را از نو طراحی کند. Upscalerهای مبتنی بر Diffusion ممکن است جزئیات بیشتری خلق کنند یا امکان Prompt داشته باشند، اما احتمال تغییر محصول، چهره و معماری در آنها بیشتر است. برای آرشیو، تصویر محصول و فریمهایی که هویت باید حفظ شود، Real‑ESRGAN میتواند مرحله اولیه محافظهکارانهتری باشد؛ برای Concept Art ممکن است روش مولد آزادی بیشتری بدهد.
مخزن اصلی برای نصب توسعهمحور از Python، PyTorch، BasicSR و وزن مدلها استفاده میکند. این مسیر برای پردازش دستهای، تغییر Tile، انتخاب مدل، ادغام GFPGAN و توسعه Workflow مناسبتر است. محیط Python و نسخه PyTorch را براساس سیستمعامل و GPU از مستندات رسمی تنظیم کنید؛ دستورهای قدیمیِ یک آموزش ممکن است با محیط جدید شما سازگار نباشند.
python inference_realesrgan.py -n RealESRGAN_x4plus -i inputs --outscale 4پارامتر -n مدل، -i ورودی و --outscale مقیاس خروجی را تعیین میکند. پیش از اجرای دستهای، نتیجه را روی چند تصویر متفاوت بررسی کنید؛ تنظیم واحد برای عکس واقعی، انیمه و رندر سهبعدی معمولاً بهترین خروجی را نمیدهد.
پروژه رسمی یک پیادهسازی مستقل ncnn Vulkan هم معرفی میکند که برای استفاده معمولی سادهتر است و به محیط CUDA یا PyTorch نیاز ندارد. این نسخه از GPU سازگار با Vulkan استفاده میکند و فایلهای اجرایی قابل حمل در Releases ارائه شدهاند. قابلیتها و نام مدلهای موجود را از همان Release دانلودشده بررسی کنید و فایل اجرایی را فقط از مخزن رسمی بگیرید.
realesrgan-ncnn-vulkan -i input.jpg -o output.png -n realesrgan-x4plusپردازش تصویر بزرگ به حافظه GPU وابسته است. اگر با خطای کمبود حافظه روبهرو میشوید، Tile کوچکتر تصویر را به قطعههای قابلمدیریت تقسیم میکند، ولی سربار پردازش را بالا میبرد و در تنظیم نامناسب ممکن است مرز Tile دیده شود. مقدار بهینه به رزولوشن، مدل، دقت محاسبات، GPU و پیادهسازی بستگی دارد؛ بنابراین برای همه سیستمها یک عدد ثابت وجود ندارد.
برای یک عکس منفرد، سریعترین GPU الزاماً ضروری نیست؛ اما پردازش پوشههای بزرگ، فریمهای ویدیو یا Workflowهای ترکیبی AI از GPU و VRAM بیشتر سود میبرد. اگر در حال طراحی سیستم محلی هوش مصنوعی هستید، راهنمای انتخاب GPU برای هوش مصنوعی و ComfyUI معیارهای VRAM و نوع بار کاری را توضیح میدهد.
Real‑ESRGAN ابزار مفیدی برای ارتقای وضوح و ترمیم بصری تصاویر واقعی و انیمه است، بهویژه زمانی که مدل درست و خروجی هدف مشخص باشد. مزیت آن متنباز بودن، مدلهای عمومی و تخصصی و امکان اجرای Python یا ncnn Vulkan است. محدودیت اصلی نیز ماهیت مولد آن است: نتیجه میتواند جذابتر باشد، اما الزاماً بازسازی دقیق واقعیت نیست. برای کار حرفهای، مقایسه با فایل اصلی و کنترل جزئیات حساس ضروری است.
برای انتخاب سیستم مناسب پردازش تصویر، ComfyUI و Workflowهای AI، مشخصات پروژه و بودجه خود را در فرم درخواست پیشفاکتور مازستا ثبت کنید تا پیکربندی متناسب با حجم کار پیشنهاد شود.
