Real-ESRGAN AI Upscaling : Fonctionnement et cas d'usage

Mis à jour le : June 27, 2026

Real-ESRGAN est le modèle open source derrière la plupart des outils gratuits d'« upscaling IA » : il agrandit les images jusqu'à 4x tout en prédisant un détail plausible que le redimensionnement classique ne peut pas faire. Il est véritablement utile pour récupérer des photos de basse résolution, de vieux scans et des œuvres d'art numériques — mais il a des limites réelles et des modes de défaillance. Ce guide explique son fonctionnement, ce qu'il fait bien et quand il s'agit du mauvais outil.

Réponse rapide : à quoi sert Real-ESRGAN ?

Utilisez-le pour agrandir les images de 2 à 4x avec une netteté récupérée, lorsque vous ne pouvez pas refaire la capture en résolution plus élevée. Adaptez le modèle au contenu :

Pour une seule image, utilisez Image Upscaler ; pour des lots, le CLI Real-ESRGAN. Pour la décision générale d'upscaling, consultez comment upscaler les images.

Comment fonctionne Real-ESRGAN ?

Real-ESRGAN est un modèle de super-résolution basé sur GAN. Un réseau générateur prend l'entrée basse résolution et produit une sortie 4x plus grande ; des discriminateurs jugent si la sortie ressemble à de vrais détails haute résolution, et le générateur apprend de ce retour. Le « Real- » fait référence à son entraînement sur des dégradations réelles (flou, bruit, artefacts de compression), et non seulement sur un sous-échantillonnage synthétique — c'est pourquoi il gère les artefacts JPEG et les vieilles photos mieux que les modèles de super-résolution précédents.

le générateur upscale 4x -> sortie super-résolution, avec des discriminateurs jugeant le détail réel vs généré">

Le projet Real-ESRGAN sur GitHub documente l'architecture, les modèles et les benchmarks. Le point pratique clé : il prédit des détails plutôt que de les récupérer — la sortie est un devinette plausible, pas la véritable version haute résolution de l'entrée.

Quelle est la différence avec l'upscaling classique ?

Le redimensionnement classique (Lanczos, bicubique) interpole entre les pixels existants — il lisse mais n'ajoute aucune nouvelle information. Le générateur de Real-ESRGAN synthétise de nouveaux détails haute fréquence (texture, bords) basés sur des motifs qu'il a appris à partir des données d'entraînement. Le résultat semble plus net qu'un upscale Lanczos de la même taille, mais le détail ajouté est inventé, non mesuré.

Cette distinction est importante : une sortie Real-ESRGAN est plus nette, mais pas plus précise. Pour les utilisations sensibles aux preuves (médicales, forensiques, archivage), le détail synthétisé est un problème, pas une fonctionnalité.

Comment les modèles Real-ESRGAN se comparent-ils ?

Chaque modèle est réglé pour un type de contenu spécifique. Choisir le bon est la différence entre un résultat propre et un résultat trop traité :

Un flux de travail courant pour une photo de portrait consiste à exécuter le modèle général pour l'agrandissement 4x, puis à passer la région du visage par GFPGAN/CodeFormer pour restaurer la texture naturelle de la peau. Combiner les modèles de cette manière joue sur la force de chacun.

Quels sont les cas d'utilisation pratiques ?

Real-ESRGAN justifie sa place dans quelques situations spécifiques où un original haute résolution est tout simplement indisponible :

• Vieilles photos et scans de famille. Agrandir clairement un scan de 1 mégapixel provenant d'une impression des années 90 pour l'impression ou le partage.
• Images web téléchargées que vous devez utiliser. Une petite image de stock ou client qui doit remplir une mise en page plus grande.
• Art numérique et assets de jeu. Mettre à l'échelle les illustrations et les sprites tout en conservant des lignes propres (le modèle anime excelle ici).
• Restauration de JPEG compressés. Real-ESRGAN a été entraîné sur la dégradation du monde réel, il inverse donc partiellement le blocage JPEG lors de l'upscaling.
• Images vidéo. Extraire une image fixe d'une vidéo basse résolution pour une miniature ou une impression.

Dans tous les cas, le constat honnête est le même : il améliore une source basse résolution, il ne la transforme pas en photo capturée en haute résolution. Si vous pouvez refaire la capture ou trouver un maître haute résolution, faites-le plutôt — le guide de conversion RAW vers JPG couvre les démarrages à partir d'une vraie capture haute résolution.

Comment exécuter Real-ESRGAN ?

Le CLI realesrgan-ncnn-vulkan s'exécute sur CPU/GPU sans environnement Python :

## Upscale 4x d'une photo
realesrgan-ncnn-vulkan -i input.jpg -o output.jpg -n realesrgan-x4plus

## Modèle pour art anime/numérique (lignes plus propres)
realesrgan-ncnn-vulkan -i input.png -o output.png -n realesrgan-x4plus-anime

## Un dossier
realesrgan-ncnn-vulkan -i input_dir -o output_dir -n realesrgan-x4plus

Pour l'intégration Python, le package realesrgan enveloppe le modèle pour une utilisation dans les pipelines. Les deux sont open source sous une licence permissive.

Quand Real-ESRGAN échoue-t-il ?

Connaître les modes de défaillance vous évite de faire confiance à un mauvais résultat :

• Peau « plastique » sur les visages. Le modèle général lisse trop la peau, créant une texture artificielle. Utilisez un modèle spécifique au visage (GFPGAN/CodeFormer) pour les portraits.
• Texte halluciné. Sur les documents, il invente des artefacts en traits qui ressemblent à du texte mais ne le sont pas. Ne l'utilisez pas pour les documents scannés.
• Sur-netteté excessive. Poussé trop loin, le résultat semble croquant. Le modèle anime est plus doux ; choisissez selon le contenu.
• Au-delà de 4x. Les rendements diminuent rapidement ; empiler des passes 4x aggrave les artefacts. Refaites la capture si vous avez besoin de plus.
• Images déjà grandes. Upscaler une photo nette de 2000px n'ajoute pas grand-chose et gaspille du calcul.

Comment se compare-t-il à la re-capture ?

Real-ESRGAN est un outil de sauvetage, pas un remplacement pour la résolution. Une photo capturée à 3000px a des détails réels qu'une photo de 750px upscaleée 4x ne peut que deviner. Si vous contrôlez la capture — photographiez à la résolution dont vous avez besoin. L'upscaling est pour les cas où l'original haute résolution n'existe pas : vieilles photos, images téléchargées, fichiers clients arrivés en petit format. Consultez le guide de conversion RAW vers JPG pour commencer à partir d'un maître haute résolution.

Erreurs courantes

• Faire confiance au résultat comme une résolution « vraie ». C'est un détail plausible, pas mesuré. Ne l'utilisez pas comme preuve.
• Utiliser le modèle général sur les visages. Il produit de la peau plastique ; utilisez un modèle facial.
• Upscaler au-delà de 4x. Rendements décroissants et artefacts d'empilement.
• Upscaler des images déjà nettes. Aucun avantage, calcul gaspillé.
• Omettre la vérification à 100%. Inspectez toujours le résultat en taille réelle ; les sorties IA peuvent masquer des artefacts qui semblent corrects lorsqu'elles sont réduites.

Questions fréquemment posées

À quoi sert Real-ESRGAN ?

Agrandir les images basse résolution (surtout anime, illustrations et photos) de 2x à 4x tout en synthétisant un détail plausible. C'est le modèle open source de référence pour l'upscaling IA. Il récupère des détails apparents que le redimensionnement traditionnel ne peut pas faire.

En quoi Real-ESRGAN diffère-t-il de l'upscaling classique ?

L'upscaling classique (bicubique) interpole entre les pixels existants, ce qui adoucit. Real-ESRGAN a appris à partir de paires basse/haute résolution, il invente donc des textures (peau, tissu, feuillage) qui semblent réelles. Le compromis : il peut halluciner des détails qui n'étaient pas là.

Quel modèle Real-ESRGAN devrais-je utiliser ?

Le modèle par défaut (RealESRGAN_x4plus) pour les photos générales, le modèle anime pour les illustrations et un modèle spécifique au visage lors de l'upscaling de portraits. Choisissez selon le type de contenu — le mauvais modèle invente le mauvais genre de détail.

Quand Real-ESRGAN est-il préjudiciable ?

Sur le texte, les graphiques nets et les images déjà haute résolution, où la texture inventée déforme les bords ou ajoute des artefacts indésirables. Il est préférable sur les photographies et les illustrations à 2x–4x. Consultez le guide d'upscaling.

Est-ce que Real-ESRGAN est gratuit ?

Le modèle est open source et gratuit à exécuter localement si vous avez un GPU. Les services hébergés facturent par image. Pour les lots, l'exécution locale est gratuite ; pour les cas uniques, un outil hébergé est pratique. Consultez le guide d'upscaling.

De quel matériel ai-je besoin pour exécuter Real-ESRGAN ?

Un GPU avec environ 8 GB de VRAM pour le modèle standard à 2x, plus pour 4x ou les images très grandes. Sans un GPU adapté, utilisez un service hébergé qui exécute le modèle pour vous. Les exécutions uniquement sur CPU sont possibles mais très lentes. Adaptez votre matériel au ratio d'upscale et à la taille d'image dont vous avez besoin.

Est-ce que Real-ESRGAN est gratuit ?

Le modèle est open source et gratuit à exécuter localement si vous avez un GPU ; les services hébergés facturent par image. Pour les lots, l'exécution locale est gratuite ; pour les cas uniques, un outil hébergé est pratique. Consultez le guide d'upscaling.

Combien de temps Real-ESRGAN prend-il ?

Quelques secondes par image pour un upscale 2x sur un GPU décent ; plus long pour 4x, les fichiers très volumineux ou les exécutions uniquement sur CPU. Ce n'est pas en temps réel pour les lots. Prévoyez le temps, ou utilisez un service hébergé qui gère la file d'attente de calcul. Le défaut 2x est le point idéal entre vitesse et qualité.

Real-ESRGAN fonctionne-t-il sur l'anime et les illustrations ?

Oui, et souvent mieux que sur les photos — il existe un modèle anime dédié réglé pour les couleurs plates et les lignes propres des illustrations, ce qui produit un détail plus net et plus approprié que le modèle général. Pour l'anime, le manga et les illustrations numériques, utilisez le modèle spécifique à l'anime ; pour les photographies, utilisez le modèle général. Le type de contenu décide du bon modèle.

Crédits d'images

• Diagrammes avant/après, architecture ESRGAN et limites d'upscaling — générés par l'auteur à partir d'une photographie de style e-commerce (Pexels #16675632, photo par Mikael Blomkvist) pour illustrer le pipeline et les limites de Real-ESRGAN.