Real-ESRGAN AI Upscaling: วิธีการทำงานและแนวทางการใช้งาน

อัปเดตล่าสุด: June 27, 2026

Real-ESRGAN คือโมเดลแบบ open ที่อยู่เบื้องหลังเครื่องมือ "AI upscaler" ฟรีส่วนใหญ่: มันขยายภาพได้สูงสุดถึง 4x พร้อมกับการทำนายรายละเอียดที่สมเหตุสมผลซึ่งการปรับขนาดแบบคลาสสิกไม่สามารถทำได้ มันมีประโยชน์อย่างแท้จริงสำหรับการกู้คืนรูปถ่ายความละเอียดต่ำ, ภาพสแกนเก่า, และงานศิลปะดิจิทัล — แต่ก็มีข้อจำกัดและรูปแบบความล้มเหลวที่แท้จริง คู่มือนี้จะอธิบายว่ามันทำงานอย่างไร, สิ่งที่มันทำได้ดีคืออะไร, และเมื่อใดที่มันไม่ใช่เครื่องมือที่เหมาะสม

คำตอบสั้น ๆ: Real-ESRGAN ใช้ทำอะไรได้บ้าง?

ใช้มันเพื่อขยายภาพให้ใหญ่ขึ้น 2–4 เท่า พร้อมความคมชัดที่กู้คืนมาได้ เมื่อคุณไม่สามารถถ่ายภาพใหม่ด้วยความละเอียดสูงกว่านี้ได้ ให้จับคู่โมเดลกับเนื้อหา:

สำหรับภาพเดียว ให้ใช้ Image Upscaler; สำหรับชุดภาพ (batches) ให้ใช้ Real-ESRGAN CLI สำหรับการตัดสินใจในการขยายขนาดโดยทั่วไป โปรดดูที่ how to upscale images.

Real-ESRGAN ทำงานอย่างไร?

Real-ESRGAN คือโมเดล super-resolution ที่ใช้ GAN เป็นฐาน เครือข่าย generator จะรับ input ความละเอียดต่ำและสร้าง output ที่ใหญ่ขึ้น 4x; ส่วน discriminators มีหน้าที่ตัดสินว่า output นั้นดูเหมือนรายละเอียดความละเอียดสูงจริงหรือไม่ และ generator ก็จะเรียนรู้จาก feedback ดังกล่าว คำว่า "Real-" หมายถึงการที่โมเดลได้รับการฝึกฝนด้วย degradation ในโลกแห่งความเป็นจริง (เช่น blur, noise, compression artifacts) ไม่ใช่แค่การ downsampling แบบสังเคราะห์เท่านั้น — นี่คือเหตุผลที่มันสามารถจัดการกับ JPEG artifacts และภาพถ่ายเก่าได้ดีกว่าโมเดล super-resolution ในยุคก่อนหน้า

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

โครงการ Real-ESRGAN บน GitHub ได้บันทึกสถาปัตยกรรม โมเดล และ benchmarks ต่างๆ จุดสำคัญในทางปฏิบัติคือ: มัน ทำนาย รายละเอียดแทนที่จะกู้คืน — output ที่ได้จึงเป็นเพียงการคาดเดาที่สมเหตุสมผล ไม่ใช่เวอร์ชันความละเอียดสูงที่แท้จริงของ input นั้น

ความแตกต่างจากการอัปสเกลแบบดั้งเดิมคืออะไร?

การปรับขนาดแบบคลาสสิก (Lanczos, bicubic) จะทำการประมาณค่าระหว่างพิกเซลที่มีอยู่ ซึ่งทำให้ภาพดูเรียบเนียนขึ้นแต่ไม่ได้เพิ่มข้อมูลใหม่ใด ๆ เลย ตัวสร้างของ Real-ESRGAN จะทำการ สังเคราะห์ รายละเอียดความถี่สูงใหม่ (เช่น พื้นผิว ขอบ) โดยอิงจากรูปแบบที่เรียนรู้จากชุดข้อมูลฝึกฝน ผลลัพธ์ที่ได้ดูคมชัดกว่าการอัปสเกลแบบ Lanczos ในขนาดเดียวกัน แต่รายละเอียดที่เพิ่มเข้ามานั้นเป็นสิ่งที่ถูกสร้างขึ้น ไม่ใช่สิ่งที่วัดค่าได้จริง

ความแตกต่างนี้มีความสำคัญ: ผลลัพธ์จาก Real-ESRGAN ดูคมชัดกว่า แต่ไม่ได้หมายความว่า แม่นยำ กว่า สำหรับการใช้งานที่ต้องอาศัยหลักฐาน (เช่น ทางการแพทย์ นิติวิทยาศาสตร์ หรือการเก็บถาวร) รายละเอียดที่สังเคราะห์ขึ้นถือเป็นปัญหา ไม่ใช่คุณสมบัติ

โมเดล Real-ESRGAN แต่ละตัวมีความแตกต่างกันอย่างไร?

โมเดลแต่ละตัวถูกปรับแต่งมาสำหรับเนื้อหาประเภทต่างกัน การเลือกโมเดลที่เหมาะสมจึงเป็นความแตกต่างระหว่างผลลัพธ์ที่ดูสะอาดตา กับผลลัพธ์ที่ผ่านการประมวลผลมากเกินไป:

ขั้นตอนการทำงานทั่วไปสำหรับภาพถ่ายบุคคลคือ การใช้โมเดลทั่วไปสำหรับการขยายขนาด 4x จากนั้นจึงส่งเฉพาะส่วนใบหน้าผ่าน GFPGAN/CodeFormer เพื่อกู้คืนพื้นผิวผิวหนังที่เป็นธรรมชาติ การรวมโมเดลในลักษณะนี้จะช่วยดึงจุดแข็งของแต่ละตัวออกมาให้เกิดประโยชน์สูงสุด

กรณีการใช้งานจริงมีอะไรบ้าง?

Real-ESRGAN ได้รับการยอมรับในสถานการณ์เฉพาะบางอย่างที่ไม่มีไฟล์ต้นฉบับความละเอียดสูงกว่าให้ใช้งาน:

• ภาพถ่ายและสแกนครอบครัวเก่าๆ การขยายไฟล์สแกน 1-megapixel จากงานพิมพ์ยุค 1990s เพื่อนำไปพิมพ์หรือแชร์ให้คมชัด
• ภาพเว็บที่ดาวน์โหลดมาและจำเป็นต้องใช้ ภาพสต็อกหรือภาพของลูกค้าขนาดเล็กที่ต้องการนำไปเติมเต็มเลย์เอาต์ที่ใหญ่กว่า
• งานศิลปะดิจิทัลและสินทรัพย์เกม การปรับขนาดภาพประกอบและสไปรต์อาร์ตโดยยังคงเส้นสายที่คมชัด (โมเดล anime ทำได้ดีเยี่ยมในส่วนนี้)
• การกู้คืนไฟล์ JPEG ที่ถูกบีบอัด Real-ESRGAN ถูกฝึกฝนด้วยความเสื่อมสภาพในโลกจริง ดังนั้นจึงช่วยย้อนกลับการเกิด JPEG blocking ได้บางส่วนขณะที่ทำการ upscaling
• เฟรมวิดีโอ การดึงภาพนิ่งจากวิดีโอความละเอียดต่ำเพื่อใช้เป็นภาพขนาดย่อ (thumbnail) หรืองานพิมพ์

ในทุกกรณี การกล่าวอย่างตรงไปตรงมาคือสิ่งเดียวกัน: มันช่วยปรับปรุงแหล่งที่มาความละเอียดต่ำ แต่ไม่ได้เปลี่ยนให้เป็นภาพถ่ายที่ถูกบันทึกด้วยความละเอียดสูง หากคุณสามารถถ่ายใหม่หรือค้นหาไฟล์ต้นฉบับความละเอียดสูงกว่าได้ ให้ทำเช่นนั้นแทน — คู่มือ convert RAW to JPG guide ครอบคลุมการเริ่มต้นจากภาพที่จับมาด้วยความละเอียดสูงจริง

วิธีการรัน Real-ESRGAN คืออะไร?

เครื่องมือ CLI realesrgan-ncnn-vulkan สามารถทำงานบน CPU/GPU ได้โดยไม่จำเป็นต้องมีสภาพแวดล้อม 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

สำหรับการผสานรวมกับ Python, แพ็กเกจ realesrgan จะห่อหุ้มโมเดลเพื่อใช้ใน pipelines ทั้งสองตัวเป็นโอเพนซอร์สภายใต้ใบอนุญาตแบบ permissive.

เมื่อไหร่ที่ Real-ESRGAN ล้มเหลว?

การทราบถึงรูปแบบความล้มเหลวจะช่วยให้คุณไม่เชื่อถือผลลัพธ์ที่ผิดพลาด:

• ผิว "พลาสติก" บนใบหน้า โมเดลทั่วไปจะทำให้ผิวเรียบเนียนเกินไปจนดูไม่เป็นธรรมชาติ ควรใช้โมเดลเฉพาะสำหรับใบหน้า (GFPGAN/CodeFormer) สำหรับภาพบุคคล
• ข้อความที่สร้างขึ้นเอง ในเอกสาร มันจะสร้างสิ่งแปลกปลอมคล้ายลายเส้นที่ดูเหมือนข้อความแต่ไม่ใช่ ไม่ควรใช้กับเอกสารสแกน
• การเพิ่มความคมชัดมากเกินไป หากดันมากเกินไป ผลลัพธ์จะดูแข็งกระด้าง โมเดลอนิเมะจะอ่อนโยนกว่า เลือกตามเนื้อหา
• เกิน 4x ผลลัพธ์ลดลงอย่างรวดเร็ว การซ้อนผ่าน 4x จะทำให้สิ่งแปลกปลอมสะสมมากขึ้น ควรถ่ายใหม่หากต้องการมากกว่านี้
• ภาพขนาดใหญ่อยู่แล้ว การอัปสเกลภาพความละเอียดสูง 2000px เพิ่มเติมเพียงเล็กน้อยและสิ้นเปลืองพลังงานในการประมวลผล

เทียบกับการถ่ายใหม่เป็นอย่างไร?

Real-ESRGAN เป็นเครื่องมือกู้คืน ไม่ใช่ตัวแทนของความละเอียด ภาพที่ถูก ถ่าย ที่ 3000px มีรายละเอียดจริง ซึ่งภาพ 750px ที่อัปสเกล 4x ทำได้แค่คาดเดาเท่านั้น หากคุณควบคุมการถ่ายภาพได้ ให้ถ่ายที่ความละเอียดที่คุณต้องการ การอัปสเกลใช้สำหรับกรณีที่ต้นฉบับความละเอียดสูงไม่มีอยู่จริง: เช่น ภาพเก่า รูปภาพที่ดาวน์โหลดมา หรือไฟล์ลูกค้าที่มาขนาดเล็ก ดูคู่มือ convert RAW to JPG สำหรับการเริ่มต้นจากต้นฉบับความละเอียดสูง

ข้อผิดพลาดที่พบบ่อย

• การเชื่อถือผลลัพธ์ว่าเป็นความละเอียด "true". มันเป็นรายละเอียดที่ดูสมเหตุสมผล แต่ไม่ได้วัดค่า อย่าใช้มันเป็นหลักฐาน
• การใช้ general model กับใบหน้า. เพราะจะทำให้ผิวดูเหมือนพลาสติก ควรใช้ face model
• การ Upscaling เกิน 4x. ผลตอบแทนลดลงและเกิดสิ่งแปลกปลอมจากการซ้อนทับ (stacking artifacts)
• การ Upscaling รูปภาพที่คมชัดอยู่แล้ว. ไม่ได้ประโยชน์ และสิ้นเปลืองพลังงานในการประมวลผล (compute)
• การข้ามการตรวจสอบ 100%. ควรตรวจสอบผลลัพธ์ด้วยขนาดเต็มเสมอ เพราะ AI output อาจซ่อนสิ่งแปลกปลอมที่ดูดีเมื่อซูมออก

คำถามที่พบบ่อย

Real-ESRGAN คืออะไร?

ใช้สำหรับเพิ่มขนาดรูปภาพที่มีความละเอียดต่ำ (โดยเฉพาะอนิเมะ ภาพประกอบ และภาพถ่าย) ตั้งแต่ 2x ถึง 4x พร้อมทั้งสังเคราะห์รายละเอียดที่ดูสมจริง เป็นโมเดลแบบ open model ที่เหมาะสำหรับการอัปสเกลด้วย AI โดยสามารถกู้คืนรายละเอียดที่ปรากฏซึ่งการปรับขนาดแบบดั้งเดิมไม่สามารถทำได้

Real-ESRGAN แตกต่างจากการอัปสเกลแบบคลาสสิกอย่างไร?

การอัปสเกลแบบคลาสสิก (bicubic) เป็นการประมาณค่าระหว่างพิกเซลที่มีอยู่ ซึ่งทำให้ภาพดูนุ่มลง ในขณะที่ Real-ESRGAN เรียนรู้จากคู่รูปภาพความละเอียดต่ำ/สูง ดังนั้นจึงสามารถสร้างพื้นผิว (เช่น ผิวหนัง ผ้า หรือใบไม้) ที่ดูสมจริงขึ้นได้ ข้อแลกเปลี่ยนคือ: มันอาจจะสร้างรายละเอียดที่ไม่ได้มีอยู่ในภาพต้นฉบับ

ฉันควรใช้โมเดล Real-ESRGAN ตัวไหน?

สำหรับรูปถ่ายทั่วไป ให้ใช้ค่าเริ่มต้น (RealESRGAN_x4plus) สำหรับภาพประกอบ ให้ใช้โมเดลอนิเมะ และสำหรับภาพบุคคล ให้ใช้โมเดลเฉพาะใบหน้า เลือกตามประเภทเนื้อหา — เพราะการใช้โมเดลผิดจะสร้างรายละเอียดที่ผิดประเภทไปได้

Real-ESRGAN จะมีปัญหาเมื่อใด?

บนข้อความ กราฟิกที่คมชัด และรูปภาพที่มีความละเอียดสูงอยู่แล้ว เนื่องจากพื้นผิวที่ถูกสร้างขึ้นอาจบิดเบือนขอบหรือเพิ่มสิ่งแปลกปลอมที่ไม่ต้องการเข้าไป มันทำงานได้ดีที่สุดกับภาพถ่ายและภาพประกอบที่ 2x–4x ดูคู่มือ การอัปสเกล

Real-ESRGAN สามารถใช้งานได้ฟรีหรือไม่?

โมเดลนี้เป็น open-source และสามารถรันบนเครื่องของคุณเองได้ฟรีหากคุณมี GPU บริการโฮสต์จะคิดค่าบริการต่อภาพ สำหรับการประมวลผลจำนวนมาก (batches) การรันในเครื่องจึงฟรี แต่สำหรับการทำครั้งเดียว (one-offs) เครื่องมือที่โฮสต์ไว้จะสะดวกกว่า ดูคู่มือ การอัปสเกล

ฉันต้องใช้ฮาร์ดแวร์อะไรในการรัน Real-ESRGAN?

จำเป็นต้องมี GPU ที่มี VRAM ประมาณ 8 GB สำหรับโมเดลมาตรฐานที่ 2x และมากกว่านั้นสำหรับ 4x หรือรูปภาพขนาดใหญ่มาก หากไม่มี GPU ที่เหมาะสม ให้ใช้บริการโฮสต์ที่ทำการรันโมเดลให้คุณ การรันด้วย CPU อย่างเดียวสามารถทำได้แต่จะช้ามาก ควรจับคู่ฮาร์ดแวร์ของคุณกับอัตราส่วนการอัปสเกลและขนาดรูปภาพที่คุณต้องการ

Real-ESRGAN ฟรีหรือไม่?

โมเดลนี้เป็น open-source และสามารถรันบนเครื่องของคุณเองได้ฟรีหากคุณมี GPU บริการโฮสต์จะคิดค่าบริการต่อภาพ สำหรับการประมวลผลจำนวนมาก (batches) การรันในเครื่องจึงฟรี แต่สำหรับการทำครั้งเดียว (one-offs) เครื่องมือที่โฮสต์ไว้จะสะดวกกว่า ดูคู่มือ การอัปสเกล

Real-ESRGAN ใช้เวลานานแค่ไหน?

ใช้เวลาเพียงไม่กี่วินาทีต่อภาพสำหรับการอัปสเกล 2x บน GPU ที่ดีกว่านั้นสำหรับ 4x, ไฟล์ขนาดใหญ่มาก หรือการรันด้วย CPU อย่างเดียว ไม่ใช่แบบเรียลไทม์สำหรับการประมวลผลจำนวนมาก ควรคำนวณเวลาที่ใช้ หรือใช้บริการโฮสต์ที่จัดการคิวการคำนวณ ค่าเริ่มต้น 2x เป็นจุดที่ลงตัวที่สุดทั้งด้านความเร็วและคุณภาพ

Real-ESRGAN ใช้ได้กับอนิเมะและภาพประกอบหรือไม่?

ได้ และมักจะดีกว่าบนภาพถ่าย — มีโมเดลสำหรับอนิเมะโดยเฉพาะที่ปรับแต่งมาสำหรับสีเรียบและเส้นสายสะอาดของภาพประกอบ ซึ่งให้รายละเอียดที่คมชัดและเหมาะสมกว่าโมเดลทั่วไป สำหรับอนิเมะ มังงะ และภาพประกอบดิจิทัล ให้ใช้โมเดลเฉพาะอนิเมะ; สำหรับรูปถ่าย ให้ใช้โมเดลทั่วไป ประเภทเนื้อหาจะเป็นตัวตัดสินว่าควรใช้โมเดลใด

เครดิตรูปภาพ

• แผนภาพก่อน/หลังการอัปสเกล, สถาปัตยกรรม ESRGAN, และขีดจำกัดของการอัปสเกล — สร้างโดยผู้เขียนจากภาพถ่ายสไตล์อีคอมเมิร์ซ (Pexels #16675632, photo by Mikael Blomkvist) เพื่อแสดงขั้นตอนการทำงานและขีดจำกัดของ Real-ESRGAN