Real-ESRGAN AI Upscaling: Cara Ia Berfungsi dan Bila Menggunakannya

Dikemaskini kali terakhir: June 27, 2026

Real-ESRGAN ialah model terbuka di sebalik kebanyakan alat "penskala AI" percuma: ia membesarkan imej sehingga 4x sambil meramalkan perincian yang munasabah yang tidak dapat dilakukan oleh pengecilan saiz klasik. Ia benar-benar berguna untuk menyelamatkan foto resolusi rendah, imbasan lama, dan seni digital — tetapi ia mempunyai had dan mod kegagalan yang sebenar. Panduan ini menerangkan cara ia berfungsi, apa yang dilakukannya dengan baik, dan bila ia adalah alat yang salah.

Jawapan ringkas: untuk apa Real-ESRGAN?

Gunakan ia untuk memperbesarkan imej 2–4x dengan ketajaman yang dipulihkan, apabila anda tidak dapat mengambil semula pada resolusi yang lebih tinggi. Padankan model mengikut kandungan:

Untuk satu imej, gunakan Image Upscaler; untuk kelompok (batches), Real-ESRGAN CLI. Untuk keputusan memperbesarkan secara umum, lihat cara memperbesarkan imej.

Bagaimana Real-ESRGAN berfungsi?

Real-ESRGAN ialah model super-resolution berasaskan GAN. Jaringan generator mengambil input resolusi rendah dan menghasilkan keluaran yang 4x lebih besar; diskriminator menilai sama ada keluaran itu kelihatan seperti perincian resolusi tinggi sebenar, dan generator belajar daripada maklum balas tersebut. "Real-" merujuk kepada latihannya pada degradasi dunia sebenar (kabur, hingar, artifak mampatan), bukan hanya penurunan sampel sintetik — itulah sebabnya ia menangani artifak JPEG dan foto lama dengan lebih baik daripada model super-resolution sebelumnya.

generator meningkatkan 4x -> keluaran super-resolution, dengan diskriminator menilai perincian sebenar berbanding yang dijana">

Projek Real-ESRGAN di GitHub mendokumentasikan seni bina, model, dan penanda arasnya. Perkara praktikal utama: ia meramal perincian berbanding memulihkannya — keluaran itu adalah tekaan yang munasabah, bukan versi resolusi tinggi sebenar bagi input tersebut.

Apakah perbezaan daripada peningkatan skala klasik?

Pengecilan saiz klasik (Lanczos, bicubic) melakukan interpolasi antara piksel sedia ada—ia melicinkan tetapi tidak menambah maklumat baharu. Generator Real-ESRGAN mensintesiskan perincian frekuensi tinggi baharu (tekstur, tepi) berdasarkan corak yang dipelajarinya daripada data latihan. Hasilnya kelihatan lebih tajam daripada peningkatan skala Lanczos bersaiz sama, tetapi perincian yang ditambah adalah ciptaan, bukan ukuran.

Perbezaan ini penting: output Real-ESRGAN kelihatan lebih tajam tetapi tidak lebih tepat. Untuk penggunaan yang sensitif terhadap bukti (perubatan, forensik, arkib), perincian sintetik adalah masalah, bukan ciri.

Bagaimana Model Real-ESRGAN Dibandingkan?

Setiap model disesuaikan untuk jenis kandungan tertentu. Memilih yang tepat adalah perbezaan antara hasil yang bersih dan yang terlalu diproses:

Aliran kerja biasa untuk foto potret adalah menjalankan model umum untuk pembesaran 4x, kemudian menghantar semula kawasan wajah melalui GFPGAN/CodeFormer untuk memulihkan tekstur kulit semula jadi. Menggabungkan model dengan cara ini memanfaatkan kekuatan setiap satunya.

Apakah kes penggunaan praktikal?

Real-ESRGAN mendapat tempatnya dalam beberapa situasi khusus di mana sumber asal resolusi tinggi sememangnya tidak tersedia:

• Foto dan imbasan keluarga lama. Contohnya, imbasan 1-megapixel dari cetakan tahun 1990-an yang diperbesarkan untuk dicetak atau dikongsi dengan jelas.
• Imej web muat turun yang perlu anda gunakan. Imej stok kecil atau milik klien yang perlu mengisi susun atur (layout) yang lebih besar.
• Aset seni digital dan permainan. Mengembangkan ilustrasi dan seni sprite sambil mengekalkan garis yang bersih (model anime sangat cemerlang dalam aspek ini).
• Memulihkan JPEG yang dimampatkan. Real-ESRGAN dilatih menggunakan degradasi dunia sebenar, jadi ia sebahagiannya membalikkan blok JPEG semasa meningkatkan resolusi.
• Bingkai video. Mengambil gambar pegun (still) dari video beresolusi rendah untuk paparan mini atau cetakan.

Dalam setiap kes, kerangkaan yang jujur adalah sama: ia meningkatkan sumber beresolusi rendah, ia tidak mengubahnya menjadi foto yang diambil pada resolusi tinggi. Jika anda boleh mengambil semula atau mencari master dengan resolusi lebih tinggi, lakukan itu sebaliknya — panduan tukar RAW ke JPG merangkumi permulaan dari tangkapan beresolusi tinggi yang sebenar.

Bagaimana cara menjalankan Real-ESRGAN?

CLI realesrgan-ncnn-vulkan berjalan pada CPU/GPU tanpa persekitaran 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

Untuk integrasi Python, pakej realesrgan membungkus model untuk digunakan dalam paip (pipelines). Kedua-duanya adalah sumber terbuka di bawah lesen yang membenarkan.

Kapan Real-ESRGAN gagal?

Mengetahui mod kegagalan dapat menyelamatkan anda daripada mempercayai hasil yang buruk:

• Kulit "Plastik" pada wajah. Model umum terlalu melicinkan kulit menjadi tekstur yang tidak semula jadi. Gunakan model khusus wajah (GFPGAN/CodeFormer) untuk potret.
• Teks yang Berhalusi. Pada dokumen, ia mencipta artifak seperti sapuan berus yang kelihatan seperti teks tetapi sebenarnya tidak. Jangan gunakan untuk dokumen imbasan.
• Penajaman Berlebihan. Jika didorong terlalu jauh, output kelihatan kasar/rapuh. Model anime lebih lembut; pilih mengikut kandungan.
• Melebihi 4x. Hasilnya berkurangan dengan cepat; menumpuk pusingan 4x akan memperkukuhkan artifak. Tangkap semula jika anda memerlukan lebih.
• Imej yang Sudah Besar. Meningkatkan saiz foto 2000px yang tajam hanya menambah sedikit dan membazirkan kuasa komputasi.

Bagaimana ia dibandingkan dengan mengambil semula?

Real-ESRGAN adalah alat penyelamat, bukan pengganti untuk resolusi. Satu foto yang diambil pada 3000px mempunyai perincian sebenar yang tidak dapat ditiru oleh foto 750px yang ditingkatkan (upscaled) 4x. Jika anda mengawal pengambilan — ambil gambar pada resolusi yang diperlukan. Upscaling adalah untuk apabila sumber asal beresolusi tinggi tidak wujud: foto lama, imej dimuat turun, atau fail klien yang tiba dalam saiz kecil. Lihat panduan convert RAW to JPG untuk bermula dari sumber utama beresolusi tinggi.

Kesilapan Biasa

• Percaya output sebagai resolusi "sebenar". Ia adalah perincian yang mungkin, bukan diukur. Jangan gunakan ia sebagai bukti.
• Menggunakan model umum pada wajah. Ia menghasilkan kulit plastik; gunakan model muka.
• Meningkatkan saiz melebihi 4x. Pulangan yang semakin berkurangan dan artifak penumpukan (stacking artifacts).
• Meningkatkan saiz imej yang sudah tajam. Tiada faedah, membazir pengiraan (compute).
• Mengabaikan pemeriksaan 100%. Sentiasa periksa hasil pada saiz penuh; output AI boleh menyembunyikan artifak yang kelihatan baik apabila dizum keluar.

Soalan Lazim

Apa kegunaan Real-ESRGAN?

Meningkatkan resolusi imej beresolusi rendah (terutamanya anime, ilustrasi, dan foto) sebanyak 2x hingga 4x sambil mensintesis butiran yang munasabah. Ia adalah model terbuka pilihan untuk peningkatan resolusi AI. Ia memulihkan perincian kelihatan yang tidak dapat dilakukan oleh pengecilan saiz tradisional.

Bagaimana Real-ESRGAN berbeza daripada peningkatan resolusi klasik?

Peningkatan resolusi klasik (bicubic) interpolasi antara piksel sedia ada, yang menyebabkan kelembutan. Real-ESRGAN belajar daripada pasangan beresolusi rendah/tinggi, jadi ia mencipta tekstur (kulit, fabrik, dedaun) yang kelihatan nyata. Pertukaran ini: ia boleh menghalusinasi perincian yang tidak wujud.

Model Real-ESRGAN mana yang patut saya gunakan?

Model lalai (RealESRGAN_x4plus) untuk foto umum, model anime untuk ilustrasi, dan model khusus muka apabila meningkatkan resolusi potret. Pilih mengikut jenis kandungan — model yang salah akan mencipta jenis perincian yang salah.

Bila Real-ESRGAN kurang sesuai?

Pada teks, grafik tajam, dan imej beresolusi tinggi sedia ada, di mana tekstur ciptaan merosakkan tepi atau menambah artifak yang tidak diingini. Ia paling baik digunakan pada fotografi dan ilustrasi pada 2x–4x. Lihat panduan peningkatan resolusi.

Adakah Real-ESRGAN percuma untuk digunakan?

Model ini adalah sumber terbuka dan percuma untuk dijalankan secara tempatan jika anda mempunyai GPU. Perkhidmatan hos mengenakan caj bagi setiap imej. Untuk kelompok, menjalankan secara tempatan adalah percuma; untuk penggunaan sekali sahaja, alat yang dihoskan adalah mudah. Lihat panduan peningkatan resolusi.

Perkakasan apa yang saya perlukan untuk menjalankan Real-ESRGAN?

GPU dengan kira-kira 8 GB VRAM untuk model standard pada 2x, lebih banyak untuk 4x atau imej yang sangat besar. Tanpa GPU yang sesuai, gunakan perkhidmatan hos yang menjalankan model itu untuk anda. Larian CPU sahaja adalah mungkin tetapi sangat perlahan. Padankan perkakasan anda dengan nisbah peningkatan resolusi dan saiz imej yang diperlukan.

Adakah Real-ESRGAN percuma?

Model ini adalah sumber terbuka dan percuma untuk dijalankan secara tempatan jika anda mempunyai GPU; perkhidmatan hos mengenakan caj bagi setiap imej. Untuk kelompok, menjalankan secara tempatan adalah percuma; untuk penggunaan sekali sahaja, alat yang dihoskan adalah mudah. Lihat panduan peningkatan resolusi.

Berapa lama Real-ESRGAN mengambil masa?

Beberapa saat bagi setiap imej untuk peningkatan 2x pada GPU yang baik; lebih lama untuk 4x, fail yang sangat besar, atau larian CPU sahaja. Ia tidak masa nyata untuk kelompok. Anggarkan masanya, atau gunakan perkhidmatan hos yang mengendalikan giliran pengiraan. Lalai 2x adalah titik manis untuk kelajuan dan kualiti.

Adakah Real-ESRGAN berfungsi pada anime dan ilustrasi?

Ya, dan seringkali lebih baik daripada foto — terdapat model anime khusus yang diselaraskan untuk warna rata dan garis bersih ilustrasi, yang menghasilkan perincian yang lebih tajam dan sesuai berbanding model umum. Untuk anime, manga, dan ilustrasi digital, gunakan model khusus anime; untuk fotografi, gunakan yang umum. Jenis kandungan menentukan model yang betul.

Kredit Imej

• Diagram sebelum/selepas penskalaan, senibina ESRGAN, dan rajah had penskalaan — dijana oleh penulis daripada foto gaya e-dagang (Pexels #16675632, foto oleh Mikael Blomkvist) untuk menggambarkan paip dan had Real-ESRGAN.