Real-ESRGAN AI Upscaling: كيفية عملها ومتى يجب استخدامها

آخر تحديث: June 27, 2026

يعد Real-ESRGAN هو النموذج المفتوح الذي يقف وراء معظم أدوات "الرفع التضخيمي بالذكاء الاصطناعي" المجانية: فهو يكبّر الصور بما يصل إلى 4x مع توقع تفاصيل معقولة لا يمكن تحقيقها بالتصغير الكلاسيكي. وهو مفيد حقًا لإنقاذ الصور منخفضة الدقة، والمسوحات القديمة، والفن الرقمي — ولكنه له حدود وفشل حقيقيان. يوضح هذا الدليل كيفية عمله، وما يفعله بشكل جيد، ومتى يكون الأداة الخاطئة.

إجابة سريعة: ما هو Real-ESRGAN لـ؟

استخدمه لتكبير الصور بمقدار 2–4x مع استعادة الحدة، عندما لا يمكنك إعادة الالتقاط بدقة أعلى. طابق النموذج مع المحتوى:

لصورة واحدة، استخدم Image Upscaler؛ وللمجموعات، استخدم Real-ESRGAN CLI. لاتخاذ قرار عام حول الرفع التضخيمي، راجع how to upscale images.

كيف يعمل Real-ESRGAN؟

Real-ESRGAN هو نموذج لتحسين الدقة الفائق القائم على GAN. تأخذ شبكة المولد (generator network) المدخلات منخفضة الدقة وتنتج مخرجًا أكبر بمقدار 4x؛ وتقوم الشبكات المميزة (discriminators) بالحكم ما إذا كان المخرج يبدو كتفاصيل عالية الدقة الحقيقية، ويتعلم المُولِّد من هذا التغذية الراجعة. يشير "Real-" إلى تدريبه على التدهورات العالمية (الضبابية، الضوضاء، تشوهات الضغط)، وليس مجرد التصغير الاصطناعي — ولهذا السبب يتعامل مع تشوهات JPEG والصور القديمة بشكل أفضل من نماذج تحسين الدقة الفائق السابقة.

generator upsamples 4x -> super-resolution output, with discriminators judging real vs generated detail">

توثق مشروع Real-ESRGAN على GitHub البنية، والنماذج، والمعايير. النقطة العملية الأساسية هي: إنه يتنبأ بالتفاصيل بدلاً من استعادتها — المخرج هو تخمين معقول، وليس النسخة الحقيقية عالية الدقة للمدخل.

ما الفرق عن الرفع التضخيمي الكلاسيكي؟

يقوم التصغير الكلاسيكي (Lanczos, bicubic) بالاستيفاء بين البكسلات الموجودة — فهو ينعم ولكنه لا يضيف أي معلومات جديدة. يقوم المُولِّد في Real-ESRGAN بتصنيع تفاصيل عالية التردد الجديدة (النسيج، الحواف) بناءً على الأنماط التي تعلمها من بيانات التدريب. يبدو الناتج أكثر حدة من رفع تضخيمي Lanczos بنفس الحجم، ولكن التفاصيل المضافة هي مُختلَقة، وليست مقاسة.

هذا التمييز مهم: ناتج Real-ESRGAN يبدو أكثر حدة ولكنه ليس أكثر دقة. بالنسبة للاستخدامات الحساسة للأدلة (الطبية، الجنائية، الأرشيف)، فإن التفاصيل المُصنَّعة هي مشكلة وليست ميزة.

كيف تقارن نماذج Real-ESRGAN؟

تم ضبط كل نموذج لنوع محتوى معين. اختيار النموذج الصحيح هو الفارق بين النتيجة النظيفة والنتيجة المعالجة بشكل مفرط:

غالباً ما يكون سير العمل لصور البورتريه هو تشغيل النموذج العام للتكبير بمقدار 4x، ثم تمرير منطقة الوجه عبر GFPGAN/CodeFormer لاستعادة نسيج البشرة الطبيعي. يركب الجمع بين النماذج بهذه الطريقة على قوة كل منها.

ما هي حالات الاستخدام العملية؟

يكتسب Real-ESRGAN مكانه في بعض المواقف المحددة حيث يكون الأصل عالي الدقة غير متاح ببساطة:

• صور ومسوحات العائلة القديمة. مثلاً، مسح ضوئي بدقة 1 ميجابكسل من مطبوعة تعود إلى التسعينيات يتم تكبيره للطباعة أو المشاركة بوضوح.
• الصور الملتقطة من الويب التي يجب عليك استخدامها. صورة مخزون صغيرة أو لعميل تحتاج إلى ملء تخطيط أكبر.
• الفن الرقمي وأصول الألعاب. توسيع الرسوم التوضيحية وفن الـ sprite مع الحفاظ على الخطوط النظيفة (يتفوق نموذج الأنمي في هذا المجال).
• ترميم صور JPEG المضغوطة. تم تدريب Real-ESRGAN على تدهورات العالم الحقيقي، لذلك يعكس جزئياً تشويش كتل JPEG أثناء التكبير.
• إطارات الفيديو. استخراج صورة ثابتة من فيديو منخفض الدقة لإنشاء مصغر أو طباعة.

في كل حالة، الإطار الصادق هو نفسه: إنه يحسن مصدرًا منخفض الدقة، ولا يحوله إلى صورة تم التقاطها بدقة عالية. إذا كان بإمكانك إعادة التصوير أو العثور على أصل رئيسي عالي الدقة، فافعل ذلك بدلاً من ذلك — يغطي convert RAW to JPG guide البدء من لقطة حقيقية عالية الدقة.

كيف تشغل Real-ESRGAN؟

يعمل الـ CLI realesrgan-ncnn-vulkan على CPU/GPU دون بيئة Python:

## 4x upscale of a photo
realesrgan-ncnn-vulkan -i input.jpg -o output.jpg -n realesrgan-x4plus

## Anime/digital art model (cleaner lines)
realesrgan-ncnn-vulkan -i input.png -o output.png -n realesrgan-x4plus-anime

## A folder
realesrgan-ncnn-vulkan -i input_dir -o output_dir -n realesrgan-x4plus

بالنسبة للتكامل مع Python، تقوم حزمة realesrgan بتغليف النموذج لاستخدامه في مسارات العمل. كلاهما مفتوح المصدر بموجب ترخيص متساهل.

متى يفشل Real-ESRGAN؟

معرفة أوضاع الفشل تمنعك من الثقة بناتج سيئ:

• البشرة "البلاستيكية" على الوجوه. يقوم النموذج العام بتنعيم البشرة بشكل مفرط إلى نسيج غير طبيعي. استخدم نموذجًا خاصًا بالوجه (GFPGAN/CodeFormer) للبورتريهات.
• النص المُختلَق (Hallucinated text). على المستندات، يبتكر آثاراً شبيهة بالضربات تبدو كنص ولكنها ليست كذلك. لا تستخدمه للمستندات الممسوحة ضوئيًا.
• الحدة المفرطة (Over-sharpening). إذا تم الدفع به بعيدًا جدًا، يبدو الناتج خشنًا. نموذج الأنمي أكثر لطفاً؛ اختر حسب المحتوى.
• ما وراء 4x. تتناقص العوائد بسرعة؛ وتراكم عمليات الـ 4x يؤدي إلى تفاقم التشوهات. أعد الالتقاط إذا كنت بحاجة إلى المزيد.
• الصور الكبيرة بالفعل. رفع تضخيمي لصورة حادة بدقة 2000px يضيف القليل ويضيع الحوسبة.

كيف يقارن بالالتقاط مرة أخرى؟

Real-ESRGAN هي أداة إنقاذ، وليست بديلاً عن الدقة. الصورة الملتقطة بدقة 3000px تحتوي على تفاصيل حقيقية لا يمكن لصور دقتها 750px التي تم رفع تضخيمها بمقدار 4x سوى التخمين بها. إذا كنت تتحكم في الالتقاط — قم بالتصوير بالدقة التي تحتاجها. الرفع التضخيمي مخصص للحالات التي لا يتوفر فيها الأصل عالي الدقة: الصور القديمة، والصور المحملة، وملفات العملاء الصغيرة. راجع convert RAW to JPG guide للبدء من أصل رئيسي عالي الدقة.

الأخطاء الشائعة

• الثقة بالناتج على أنه دقة "حقيقية". إنه تفصيل معقول، وليس مقاساً. لا تستخدمه كدليل إثبات.
• استخدام النموذج العام على الوجوه. ينتج بشرة بلاستيكية؛ استخدم نموذج الوجه.
• الرفع التضخيمي بما يتجاوز 4x. تناقص العوائد وتراكم الآثار.
• الرفع التضخيمي للصور الحادة بالفعل. لا فائدة، وإهدار للحوسبة.
• تخطي فحص نسبة 100%. افحص النتيجة دائمًا بالحجم الكامل؛ يمكن أن يخفي ناتج الذكاء الاصطناعي آثاراً تبدو جيدة عند التكبير للخلف.

الأسئلة المتداولة

ما هو Real-ESRGAN لـ؟

رفع تضخيمي للصور منخفضة الدقة (خاصة الأنمي، والرسوم التوضيحية، والصور الفوتوغرافية) بمقدار 2x إلى 4x مع تصنيع تفاصيل معقولة. إنه النموذج المفتوح المثالي لرفع التضخيم بالذكاء الاصطناعي. يستعيد التفاصيل الظاهرية التي لا يمكن للتصغير التقليدي تحقيقها.

كيف يختلف Real-ESRGAN عن الرفع التضخيمي الكلاسيكي؟

يقوم الرفع التضخيمي الكلاسيكي (bicubic) بالاستيفاء بين البكسلات الموجودة، مما يؤدي إلى تليين الصورة. تعلم Real-ESRGAN من أزواج الدقة المنخفضة/العالية، لذلك يبتكر النسيج (البشرة، القماش، الأوراق) الذي يبدو حقيقيًا. المفاضلة: يمكنه اختلاق تفاصيل لم تكن موجودة في الأصل.

أي نموذج Real-ESRGAN يجب أن أستخدم؟

الافتراضي (RealESRGAN_x4plus) للصور العامة، ونموذج الأنمي للرسوم التوضيحية، ونموذج خاص بالوجه عند رفع البورتريهات تضخيماً. اختر حسب نوع المحتوى — النموذج الخاطئ يبتكر النوع الخاطئ من التفاصيل.

متى يضر Real-ESRGAN؟

على النصوص، والرسومات الحادة، والصور عالية الدقة بالفعل، حيث يشوه النسيج المُختلَق الحواف أو يضيف آثاراً غير مرغوب فيها. إنه الأفضل على الصور الفوتوغرافية والرسوم التوضيحية بمقدار 2x–4x. راجع upscaling guide.

هل Real-ESRGAN مجاني للاستخدام؟

النموذج مفتوح المصدر ومجاني للتشغيل محليًا إذا كان لديك GPU. الخدمات المستضافة تفرض رسوماً لكل صورة. بالنسبة للمجموعات، فإن التشغيل المحلي مجاني؛ أما للحالات المنفردة، فإن الأداة المستضافة مريحة. راجع upscaling guide.

ما هي مكونات العتاد التي أحتاجها لتشغيل Real-ESRGAN؟

GPU بذاكرة وصول عشوائي للفيديو (VRAM) تبلغ حوالي 8 GB للنموذج القياسي بمقدار 2x، وأكثر لمقدار 4x أو الصور الكبيرة جدًا. بدون GPU مناسب، استخدم خدمة مستضافة تقوم بتشغيل النموذج نيابة عنك. التشغيل باستخدام CPU فقط ممكن ولكنه بطيء جداً. طابق عتادك مع نسبة الرفع التضخيمي وحجم الصورة التي تحتاجها.

هل Real-ESRGAN مجاني؟

النموذج مفتوح المصدر ومجاني للتشغيل محليًا إذا كان لديك GPU؛ الخدمات المستضافة تفرض رسوماً لكل صورة. بالنسبة للمجموعات، فإن التشغيل المحلي مجاني؛ أما للحالات المنفردة، فإن الأداة المستضافة مريحة. راجع upscaling guide.

كم يستغرق Real-ESRGAN من الوقت؟

بضع ثوانٍ لكل صورة لرفع تضخيمي بمقدار 2x على GPU جيد؛ وأكثر لوقت 4x، أو الملفات الكبيرة جدًا، أو التشغيل باستخدام CPU فقط. إنه ليس في الوقت الفعلي للمجموعات. خصص الوقت، أو استخدم خدمة مستضافة تتعامل مع قائمة انتظار الحوسبة. الـ 2x الافتراضي هو النقطة المثالية للسرعة والجودة.

هل يعمل Real-ESRGAN على الأنمي والرسوم التوضيحية؟

نعم، وغالباً ما يكون أفضل من الصور الفوتوغرافية — هناك نموذج أنمي مخصص مُعدّ للألوان المسطحة والخطوط النظيفة للرسوم التوضيحية، والذي ينتج تفاصيل أكثر حدة وملاءمة من النموذج العام. بالنسبة للأنمي والمانجا والرسوم التوضيحية الرقمية، استخدم نموذج الأنمي الخاص؛ وبالنسبة للصور الفوتوغرافية، استخدم النموذج العام. يقرر نوع المحتوى النموذج المناسب.

مصادر الصور الائتمانية (Image credits)

• صور قبل/بعد التكبير، وهندسة Real-ESRGAN، ورسوم حدود الرفع التضخيمي — تم إنشاؤها بواسطة المؤلف من صورة فوتوغرافية بأسلوب التجارة الإلكترونية (Pexels #16675632، صورة بواسطة Mikael Blomkvist) لتوضيح مسار وحدود Real-ESRGAN.