簡潔に答えると、 AIによるアップスケーリングは、低解像度と高解像度の画像をペアにしてモデルをトレーニングし、アップスケーリング時にその画像からリアルな追加ピクセルを予測することで機能します。モデルがトレーニング中に類似のテクスチャや顔を認識している場合、説得力のあるディテールを追加できます。そうでない場合、ハロー、ワックスのような肌、動画のちらつきといったアーティファクトを「幻覚的に」再現する可能性があります。
重要なポイント:
予測: モデルは、現実の再現を保証するものではなく、もっともらしい詳細を生成します。
モデルの選択: CNN はより安定する傾向があります。GAN はより鮮明に見えますが、特徴を発明するリスクがあります。
アーティファクト チェック: ハロー、テクスチャの繰り返し、「ほぼ文字」、プラスチックのような顔に注意してください。
ビデオの安定性: 時間的な方法を使用しないと、フレームごとにちらつきやドリフトが発生します。
重要な使用: 正確さが重要な場合は、処理を公開し、結果を例として扱います。
きっと見たことがあるでしょう。小さくて粗い画像が、印刷したり、ストリーミングしたり、プレゼンテーションに落とし込んだりしても全く違和感のない鮮明な画像に変身するのです。まるでズルをしているような気分です。そして、良い意味で、ある意味ズルをしているんです😅
つまり、 AIアップスケーリングの仕組みは、 「コンピューターがディテールを強調する」（大まかな説明）というよりも、より具体的な、「モデルが多数の例から学習したパターンに基づいて、妥当な高解像度の構造を予測する」（画像超解像度のためのディープラーニング：概説）ということになります。この予測ステップこそがゲームのすべてであり、AIアップスケーリングが驚くほど美しく見えたり、プラスチックのように見えたり、猫にひげが生えたように見えたりする理由です。
この記事の次に読むとよい記事:
🔗 AIの仕組み
AI におけるモデル、データ、推論の基礎を学びます。.
🔗 AIの学習方法
トレーニング データとフィードバックによって時間の経過とともにモデルのパフォーマンスがどのように向上するかを確認します。.
🔗 AIが異常を検出する仕組み
パターンのベースラインと、AI が異常な動作に迅速にフラグを立てる仕組みを理解します。.
🔗 AIがトレンドを予測する方法
シグナルを見つけて将来の需要を予測する予測方法を探ります。.
AI アップスケーリングの仕組み：核となる考え方を日常の言葉で解説 🧩
アップスケーリングとは解像度を上げること、つまりピクセル数を増やして画像を大きくすることです。従来のアップスケーリング（バイキュービック法など）は、基本的にピクセルを引き伸ばし、遷移を滑らかにします（バイキュービック法による補間新たなを生み出すことはできません。単に補間しているだけです。
AIアップスケーリングは、より大胆な試み（研究の世界では「超解像度」とも呼ばれます）です（画像超解像度のためのディープラーニング：概要）。
-
低解像度の入力を見る
-
パターン（エッジ、テクスチャ、顔の特徴、テキストのストローク、生地の織りなど）を認識します
-
高解像度版がどのように見えるかを
-
これらのパターンに適合する追加のピクセルデータを生成する
「現実を完璧に復元する」ではなく、「非常に信憑性の高い推測を行う」（深層畳み込みネットワークを用いた画像超解像（SRCNN） ）といったところでしょうか。少し怪しいと感じたとしても、それは間違いではありません。しかし、だからこそ、この手法はこれほどうまく機能するのです😄
つまり、AI によるアップスケーリングは基本的に制御された幻覚ですが、生産的でピクセルを尊重する方法で行われます。.
AI アップスケーリングの優れたバージョンとはどのようなものでしょうか? ✅🛠️
AI アップスケーラー (または設定プリセット) を判断する場合、最も重要なのは次の点です。
-
オーバークッキングなしのディテール回復
適切なアップスケーリングにより、ざらざらしたノイズや偽の毛穴ではなく、鮮明さと構造が追加されます。 -
エッジの規律
きれいなラインはそのままに。質の悪いモデルはエッジを揺らしたり、ハロー効果を生み出したりします。 -
テクスチャのリアリズム
髪の毛は絵筆のストロークのようには見えません。レンガは繰り返しのパターンスタンプのようには見えません。 -
ノイズと圧縮処理：
日常的に使用される画像の多くはJPEG圧縮によって劣化しています。優れたアップスケーラーは、その劣化を増幅させません（ Real-ESRGAN ）。 -
顔とテキストの認識
顔とテキストは間違いを見つけやすい場所です。優れたモデルは、これらの間違いを優しく処理します（または専用のモードを備えています）。 -
フレーム間の一貫性（動画の場合）
フレームごとにディテールがちらつくと、目が痛くなります。動画のアップスケーリングの成否は、時間的な安定性（ BasicVSR（CVPR 2021） ）にかかっています。 -
意味のある
コントロール ノイズ除去、ぼかし除去、アーティファクト除去、粒子保持、シャープ化など、実際の結果にマッピングするスライダーが必要です。
静かなルールは、常に有効です。「最高の」アップスケーリングは、ほとんど気づかれないことが多いのです。まるで最初からもっと良いカメラを持っていたかのように見えるのです📷✨
比較表: 人気の AI アップスケーリング オプション (およびその利点) 📊🙂
以下は実際の比較です。ツールはライセンス、バンドル、コンピューティングコストなどによって異なるため、価格は意図的に曖昧になっています。.
| ツール / アプローチ | 最適な用途 | 価格の雰囲気 | なぜそれが機能するのか（大まかに） |
|---|---|---|---|
| Topaz スタイルのデスクトップ アップスケーラー ( Topaz Photo 、 Topaz Video ) | 写真、ビデオ、簡単なワークフロー | 有料っぽい | 強力な一般モデル+多くの調整により、「そのまま動作する」傾向があります…ほとんどの場合 |
| Adobeの「超解像度」タイプの機能（ Adobe Enhance > 超解像度） | すでにそのエコシステムに参加している写真家 | サブスクリプション型 | しっかりとした詳細な再構築、通常は保守的（ドラマが少ない） |
| Real-ESRGAN / ESRGAN バリアント ( Real-ESRGAN 、 ESRGAN ) | DIY、開発者、バッチジョブ | 無料（ただし時間はかかる） | テクスチャのディテールが素晴らしいが、注意しないと顔に刺激を与える可能性がある |
| 拡散ベースのアップスケーリングモード（ SR3 ） | 創造的な仕事、様式化された結果 | 混合 | 素晴らしいディテールを創り出せるし、ナンセンスなことも考え出せるので…うん |
| ゲーム アップスケーラー (DLSS/FSR スタイル) ( NVIDIA DLSS 、 AMD FSR 2 ) | リアルタイムゲームとレンダリング | バンドル | モーションデータと学習済みの事前情報を使用 - スムーズなパフォーマンスを実現 🕹️ |
| クラウドアップスケーリングサービス | 利便性、迅速な勝利 | 従量課金制 | 高速かつスケーラブルだが、コントロールと繊細さをトレードオフする |
| ビデオに特化した AI アップスケーラー ( BasicVSR 、 Topaz Video ) | 古い映像、アニメ、アーカイブ | 有料っぽい | ちらつきを軽減する時間的トリック + 特殊なビデオモデル |
| 「スマート」な電話/ギャラリーのアップスケーリング | カジュアルユース | 含まれるもの | 完璧さではなく、満足のいく出力に調整された軽量モデル（それでも便利です） |
フォーマットの癖を告白します。「Paid-ish」は表の中でかなり頑張っています。でも、要点は伝わると思います😅
大きな秘密: モデルは低解像度から高解像度へのマッピングを学習します 🧠➡️🖼️
ほとんどの AI アップスケーリングの中心となるのは、教師あり学習のセットアップ (深層畳み込みネットワークを使用した画像超解像度 (SRCNN) ) です。
-
高解像度の画像（「真実」）から始める
-
低解像度バージョン（「入力」）にダウンサンプリングする
-
低解像度から元の高解像度を再構築するモデルをトレーニングする
時間の経過とともに、モデルは次のような相関関係を学習します。
-
「目の周りのこのようなぼやけは、たいていまつげによるものです」
-
「このピクセルクラスターはセリフテキストを示すことが多い」
-
「このエッジのグラデーションはランダムノイズではなく、屋根の上の線のように見えます」
これは（単純な意味で）特定の画像を記憶するものではなく、統計的な構造を学ぶことです（画像超解像のためのディープラーニング：概説）。テクスチャやエッジの文法を学ぶようなものだと考えてください。詩の文法ではなく、IKEAのマニュアル文法🪑📦（少し不格好な比喩ですが、かなり近いです）。
要点: 推論中に何が起こるか (アップスケールする場合) ⚙️✨
AI アップスケーラーに画像を入力すると、通常は次のようなパイプラインが存在します。
-
前処理
-
色空間を変換する（時々）
-
ピクセル値を正規化する
-
画像が大きい場合は、チャンクに分割してタイル化します (VRAM の現実性チェック 😭) ( Real-ESRGAN リポジトリ (タイル オプション) )
-
-
特徴抽出
-
初期レイヤーはエッジ、コーナー、グラデーションを検出します
-
より深い層では、テクスチャ、形状、顔の構成要素などのパターンを検出します。
-
-
復興
-
モデルは高解像度の特徴マップを生成する
-
そしてそれを実際のピクセル出力に変換します
-
-
後処理
-
オプションのシャープニング
-
オプションのノイズ除去
-
オプションのアーティファクト抑制（リンギング、ハロー、ブロックノイズ）
-
ちょっとした細かい点ですが、多くのツールはタイルを拡大してから継ぎ目をブレンドします。優れたツールはタイルの境界を隠します。一方、あまり良くないツールは目を細めるとかすかなグリッド線を残します。そして、確かに目を細めるでしょう。なぜなら、人間は小さなグレムリンのように300%ズームで微細な欠陥を調べるのが大好きだからです🧌
AI アップスケーリングに使用される主なモデルファミリー（およびそれらが異なって感じられる理由）🤖📚
1) CNNベースの超解像（定番の手法）
畳み込みニューラル ネットワークは、エッジ、テクスチャ、小さな構造などのローカル パターンに最適です (深層畳み込みネットワークを使用した画像超解像度 (SRCNN) )。
-
長所: 比較的高速、安定、驚きが少ない
-
短所: 強く押しすぎると少し「加工」されたように見えることがある
2) GANベースのアップスケーリング（ESRGANスタイル）🎭
GAN (Generative Adversarial Networks) は、ジェネレーターをトレーニングして、識別器が実際の画像と区別できない高解像度の画像を生成します ( Generative Adversarial Networks )。
GANを使えば、息を呑むようなシャープネスを実現できます。ポートレートの被写体に眉毛を追加することもできます。さあ…戦い方を選びましょう😬
3) 拡散ベースのアップスケーリング（クリエイティブなワイルドカード）🌫️➡️🖼️
拡散モデルは段階的にノイズを除去し、高解像度の詳細 ( SR3 ) を生成するようにガイドできます。
-
長所: 特にクリエイティブな仕事では、説得力のあるディテールを表現するのが非常に得意です
-
短所: 設定が攻撃的すぎると、元のアイデンティティ/構造から逸脱する可能性があります ( SR3 )
ここで「アップスケーリング」が「再構想」へと融合し始めます。それがまさにあなたが望むことである場合もあれば、そうでない場合もあります。.
4) 時間的な一貫性を保ちながらビデオをアップスケーリングする 🎞️
ビデオのアップスケーリングでは、多くの場合、モーション認識ロジックが追加されます。
-
隣接フレームを使用してディテールを安定化します（ BasicVSR（CVPR 2021） ）
-
ちらつきやクロールアーティファクトを回避します
-
多くの場合、超解像度とノイズ除去、インターレース解除を組み合わせる（ Topaz Video ）
画像のアップスケーリングが一枚の絵画を修復するのだとしたら、動画のアップスケーリングは、登場人物の鼻がページごとに形を変えないようにパラパラ漫画を修復するようなものです。これは…思ったより難しいです。.
AI アップスケーリングが偽物に見えることがある理由（そしてそれを見分ける方法）👀🚩
AIによるアップスケーリングは、分かりやすい形で失敗します。パターンを学べば、どこでもそれを目にするようになります。例えば、新車を買った途端、街の至る所でそのモデルが目に入るように。😵💫
コモンは語る：
-
ワックススキン（ノイズ除去とスムージングが多すぎる）
-
エッジ周りの過度にシャープなハローバイキュービック補間）
-
繰り返しのテクスチャ（レンガの壁がコピー＆ペーストのパターンになる）
-
「アルゴリズム」を叫ぶような、カリカリとしたマイクロコントラスト
-
文字がほとんど文字になってしまうテキスト改ざん
-
特に拡散ワークフローにおいて、小さな特徴が微妙に変化するディテールドリフト SR3 ）
難しいのは、これらのアーティファクトが一見「良く」見える場合があることです。脳は鮮明さを好みます。しかし、しばらくすると…違和感を覚えるのです。.
適切な戦略としては、ズームアウトして、通常の視聴距離で自然に見えるかどうかを確認することです。400%ズームでしか良く見えない場合は、成功ではなく、趣味です😅
AI アップスケーリングの仕組み: 数学的な頭を悩ませることなくトレーニングできる 📉🙂
超解像モデルのトレーニングには通常、次の作業が含まれます。
-
ペアデータセット（低解像度入力、高解像度ターゲット）（深層畳み込みネットワーク（SRCNN）を用いた画像超解像）
-
誤った再構成を罰する損失関数 SRGAN ）
典型的な損失の種類:
-
ピクセルロス（L1/L2）
精度向上に役立ちます。ややぼやけた仕上がりになる場合があります。 -
知覚的損失
正確なピクセルではなく、より深い特徴（「これはいる知覚的損失（Johnson et al.、2016） ）。 -
敵対的損失 (GAN)
現実感を促進しますが、文字どおりの正確さが犠牲になることもあります ( SRGAN 、敵対的生成ネットワーク)。
常に綱引きが続いています。
-
原作に
忠実に作るvs -
見た目を美しくする
それぞれのツールは、そのスペクトル上で異なる位置を占めます。家族写真の修復なのか、法医学的正確さよりも「見た目の良さ」が重視されるポスターの準備なのかによって、最適なツールが変わってくるでしょう。.
実用的なワークフロー: 写真、古いスキャン、アニメ、ビデオ 📸🧾🎥
写真（ポートレート、風景、商品写真）
ベストプラクティスは通常次のようになります。
-
最初に軽くノイズ除去する（必要な場合）
-
保守的な設定で高級感を演出
-
滑らかすぎると感じたら、木目を戻します（本当にそうです）
穀物は塩みたいなもの。食べ過ぎると夕食が台無しになるけど、全く食べないと味が薄くなるよね🍟
古いスキャンと圧縮された画像
モデルが圧縮ブロックを「テクスチャ」として扱う可能性があるため、これらはより困難です。
試してみてください。
-
アーティファクト除去またはデブロック
-
高級品
-
その後軽く研ぎます（あまり研ぎすぎないように…みんなそう言うのは分かっていますが、それでも）
アニメと線画
線画の利点:
-
きれいなエッジを維持するモデル
-
テクスチャの幻覚が軽減されました。
アニメのアップスケーリングでは、形状がよりシンプルで一貫しているため、見栄えがよくなることがよくあります。(ラッキー。)
ビデオ
ビデオでは追加の手順が追加されます:
-
ノイズ除去
-
インターレース解除（特定のソースの場合）
-
高級
-
時間的平滑化または安定化（ BasicVSR（CVPR 2021） ）
-
凝集性を高めるためのオプションの穀物再導入
時間的な一貫性を無視すると、きらめくディテールのちらつきが生じます。一度気づいたら、もう忘れられません。静かな部屋で軋む椅子のように😖
推測せずに設定を選択する（小さなチートシート）🎛️😵💫
適切な出発点となる心構えは次のとおりです。
-
顔がプラスチックのように見える場合は、
ノイズ除去を減らし、シャープネスを減らし、顔を保持するモデルまたはモードを試してください。 -
テクスチャが強すぎる場合は、
「ディテールの強調」または「ディテールの回復」スライダーを下げて、後で微妙な粒子を追加します。 -
エッジが光る場合は、
シャープネスを下げ、ハロー抑制オプションをチェックします。 -
画像が「AI」っぽすぎる場合は、
もっと控えめにしましょう。時には、シンプルに…控えめにするのが最善策になることもあります。
また、8倍にアップスケールできるからといって、無理にアップスケールするのはやめましょう。2倍か4倍くらいのきれいなサイズがベストです。それ以上だと、モデルにあなたのピクセルを使ったファンフィクションを書いてもらうようなものです📖😂
倫理、信憑性、そして「真実」という厄介な問題🧭😬
AI のアップスケーリングにより境界線が曖昧になる:
-
修復とは、そこにあったものを回復することを意味する
-
強化とは、なかったものを追加することを意味する
個人的な写真であれば、通常は問題ありません（そして美しい写真です）。しかし、ジャーナリズム、法的証拠、医療画像など、忠実性が重視されるものに関しては、注意が必要です（ OSAC/NIST：法医学的デジタル画像管理の標準ガイド、 SWGDE法医学的画像分析ガイドライン）。
簡単なルール:
-
リスクが高い場合は、AI のアップスケーリングを決定的なものではなく、例示的なものとして扱ってください。
また、専門的な場面では情報開示が重要です。AIが悪だからではなく、視聴者は情報が再構成されたものなのか、それともキャプチャされたものなのかを知る権利があるからです。それはまさに…敬意の表れです。.
締めくくりと簡単な要約🧡✅
AIアップスケーリングの仕組みはこうです。モデルは高解像度のディテールが低解像度のパターンとどのように関連するかを学習画像超解像度のためのディープラーニング：概要）。モデルの種類（CNN、GAN、拡散、ビデオ時間）に応じて、その予測は保守的で忠実なものになる場合もあれば、大胆で時に突飛なものになる場合もあります😅
簡単な要約
-
従来のアップスケーリングではピクセルが引き伸ばされる（バイキュービック補間）
-
AI アップスケーリングは学習したパターンを使用して欠落している詳細を予測します (深層畳み込みネットワーク (SRCNN) を使用した画像超解像度)
-
素晴らしい結果は適切なモデルと抑制から生まれる
-
動画内のハロー、ワックスのような顔、繰り返されるテクスチャ、ちらつきに注意してください（ BasicVSR（CVPR 2021） ）
ご希望であれば、何をアップスケールするのか（顔、古い写真、ビデオ、アニメ、テキストスキャン）をお知らせください。よくある「AIルック」の落とし穴を回避する設定戦略をご提案します🎯🙂
よくある質問
AIアップスケーリングとその仕組み
AIアップスケーリング（「超解像」とも呼ばれる）は、学習中に学習したパターンから、高解像度のディテールが欠けている部分を予測することで、画像の解像度を向上させます。双三次補間のように単純にピクセルを引き伸ばすのではなく、モデルはエッジ、テクスチャ、顔、そしてテキストのようなストロークを学習し、学習したパターンと整合性のある新しいピクセルデータを生成します。これは「現実を復元する」というよりは、「自然に見えるような、説得力のある推測を行う」という側面が強いです。.
AIによるアップスケーリングとバイキュービック法や従来のリサイズ法の比較
従来のアップスケーリング手法（バイキュービック法など）は、主に既存のピクセル間を補間し、遷移を滑らかにすることで、真の新しいディテールを作成しません。AIによるアップスケーリングは、視覚的な手がかりを認識し、それらの手がかりの高解像度版がどのように見えるかを予測することで、妥当な構造を再構築することを目的としています。そのため、AIによるアップスケーリングの結果は劇的に鮮明に感じられるだけでなく、アーティファクトや、ソースには存在しなかったディテールを「作り出す」ことも可能です。.
顔がワックスのように見えたり、滑らかすぎるように見えるのはなぜか
ワックスのような顔は、通常、過剰なノイズ除去とスムージングに加え、自然な肌の質感を削ぎ落とすシャープニングによって生じます。多くのツールはノイズと細かいテクスチャを同じように処理するため、画像を「クリーニング」すると毛穴や微細なディテールが消えてしまうことがあります。一般的なアプローチとしては、ノイズ除去とシャープニングを抑え、可能であれば顔を残すモードを使用し、その後、粒子感を少し加えることで、プラスチックのような質感ではなく、より写真的な仕上がりになります。.
注意すべき一般的なAIアップスケーリングアーティファクト
典型的な兆候としては、エッジ周りのハロー現象、テクスチャパターンの繰り返し（コピー＆ペーストしたレンガのような）、きついマイクロコントラスト、そして「ほぼ文字」のようになってしまうテキストなどが挙げられます。拡散ベースのワークフローでは、細かい部分が微妙に変化するディテールドリフトも見られます。動画の場合、ちらつきやフレーム間のディテールのズレは大きな危険信号です。極端なズームでしか見栄えが良くない場合は、設定が強すぎる可能性があります。.
GAN、CNN、拡散アップスケーラーの結果の違い
CNNベースの超解像は、より安定的で予測しやすい傾向がありますが、過度に処理すると「加工された」ように見えることがあります。GANベースのオプション（ESRGANスタイル）は、多くの場合、より鮮明なテクスチャとシャープネスを実現しますが、特に顔の部分では、誤ったディテールを錯覚させる可能性があります。拡散ベースのアップスケーリングは、美しく説得力のあるディテールを生成できますが、ガイドや強度の設定が強すぎると、元の構造から逸脱してしまう可能性があります。.
「AIすぎる」見た目を避けるための実用的な設定戦略
まずは控えめに。極端な要素に手を出す前に、2倍または4倍にアップスケールしてみましょう。顔がプラスチックっぽく見える場合は、ノイズ除去とシャープネスを下げ、顔認識モードを試してみましょう。テクスチャが強すぎる場合は、ディテール強調を弱め、後から微妙な粒状感を加えることを検討しましょう。エッジが光っている場合は、シャープネスを弱め、ハローやアーティファクトの抑制を確認しましょう。多くのパイプラインでは、「控えめ」が成功します。なぜなら、それがリアルなリアリティを保つからです。.
アップスケール前の古いスキャン画像やJPEG圧縮率の高い画像の処理
圧縮画像は扱いが難しいです。モデルがブロック状のアーティファクトを実際のテクスチャとして扱い、増幅してしまう可能性があるからです。一般的なワークフローは、まずアーティファクト除去またはデブロック処理を行い、次にアップスケーリングを行い、必要に応じて軽くシャープニングを行うというものです。スキャン画像の場合、穏やかなクリーンアップを行うことで、モデルは損傷ではなく実際の構造に焦点を当てることができます。目標は、「偽のテクスチャ手がかり」を減らすことで、アップスケーリングを行う際にノイズの多い入力データから無理に推測する必要がないようにすることです。.
ビデオのアップスケーリングが写真のアップスケーリングよりも難しい理由
ビデオのアップスケーリングは、静止画1枚だけで完結するのではなく、フレーム全体で一貫性が保たれている必要があります。フレームごとにディテールがちらつくと、すぐに目障りなものになってしまいます。ビデオに特化したアプローチでは、隣接するフレームの時間情報を用いて再構成を安定させ、チラチラとしたアーティファクトの発生を回避します。多くのワークフローには、ノイズ除去、特定のソースのインターレース解除、そしてオプションでグレインの再導入も含まれており、シーケンス全体が人工的なシャープさではなく、まとまりのある印象を与えます。.
AIのアップスケーリングが適切ではない、または依存するのが危険な場合
AIによるアップスケーリングは、証拠としてではなく、強調として扱うのが最善です。ジャーナリズム、法的証拠、医療画像、法医学的調査といった重要な場面では、「信憑性のある」ピクセルを生成することで、実際には捉えられていないディテールが追加される可能性があるため、誤解を招く可能性があります。より安全なフレーミングとしては、説明的な目的で使用し、AIプロセスによってディテールが再構成されたことを明示することです。忠実度が重要な場合は、オリジナルを保存し、すべての処理手順と設定を記録してください。.
参考文献
-
arXiv -画像超解像のためのディープラーニング：概要- arxiv.org
-
arXiv -深層畳み込みネットワーク（SRCNN）を用いた画像超解像- arxiv.org
-
arXiv - Real-ESRGAN - arxiv.org
-
arXiv - ESRGAN - arxiv.org
-
arXiv - SR3 - arxiv.org
-
NVIDIA 開発者- NVIDIA DLSS - developer.nvidia.com
-
AMD GPUOpen - FidelityFX スーパー解像度 2 - gpuopen.com
-
コンピュータビジョン財団（CVF）オープンアクセス- BasicVSR：ビデオ超解像度における必須コンポーネントの探索（CVPR 2021） - openaccess.thecvf.com
-
arXiv -生成的敵対ネットワーク- arxiv.org
-
arXiv - SRGAN - arxiv.org
-
arXiv -知覚的損失（ジョンソンら、2016） - arxiv.org
-
GitHub - Real-ESRGAN リポジトリ (タイルオプション) - github.com
-
Wikipedia -双三次補間- wikipedia.org
-
Topaz Labs - Topaz Photo - topazlabs.com
-
Topaz Labs - Topazビデオ- topazlabs.com
-
Adobe ヘルプセンター- Adobe Enhance > 超解像度- helpx.adobe.com
-
NIST / OSAC -法医学デジタル画像管理の標準ガイド（バージョン1.0） - nist.gov
-
SWGDE -法医学画像分析ガイドライン- swgde.org