Ampliador de imaxes de balde

Como funciona

O ampliador executa Real-ESRGAN general-x4v3 — unha rede convolucional de super-resolución de 4,6 MB — mediante onnxruntime-web dentro dun Web Worker na túa propia máquina. O modelo obtense unha vez do noso propio servidor, gárdase na caché, e despois úsase sen conexión; a túa foto decodifícase nun lenzo localmente e nunca se sube. O factor de escala é fixo en 4×, porque está fixado directamente no gráfico en dous lugares.

1. 1
   A imaxe córtase en teselas solapadas

   Un resultado 4× ten dezaseis veces os píxeles, así que unha foto de 4000×3000 sería de 192 megapíxeles — suficiente para colgar a pestana do navegador por completo en lugar de simplemente ralentizala. No seu lugar, a imaxe divídese en núcleos que a teselan exactamente, e cada núcleo lese cun marxe extra de contexto en cada lado para que a pila de convolución (cuxo campo receptivo é de 34 píxeles) teña píxeles veciños reais dos que traballar. Os bordos replícanse desde os bordes, nunca se rechean con ceros, o que doutro xeito faría que o modelo afiase un anel negro arredor do marco.
2. 2
   Cada tesela empaquétase como un tensor RGB planar

   Unha tesela convértese nun tensor float32 de forma [1, 3, H, W] coas canles vermella, verde e azul almacenadas como planos separados e valores simplemente divididos por 255 — sen ningún tipo de normalización de media/desviación estándar. Cada tesela réchease exactamente ao mesmo tamaño cadrado, porque o backend WebGPU recompila os seus shaders para cada nova forma de entrada e un plan con tres tamaños de tesela diferentes pagaría ese custo tres veces.
3. 3
   A inferencia execútase en WebGPU onde existe, senón na CPU

   A sesión créase primeiro con WebGPU e recorre a WebAssembly monofío en calquera fallo — os controladores gráficos rutinariamente anuncian soporte e despois fallan a metade de camiño na construción do gráfico, e máis lento vence a roto. Debido a que a reserva cambia o límite de tamaño realista e o tempo de execución por un factor grande, a ferramenta volve comprobar o traballo contra calquera provedor que realmente obtivo antes de que se execute a primeira tesela, e dio despois cal usou.
4. 4
   As teselas fúndense de novo con transición cruzada e límítanse

   Unir teselas de forma directa deixa unha grella visible, así que a contribución de cada tesela pondérase por unha rampa lineal a través da franxa compartida. As dúas rampas son complementos exactos, así que os pesos suman precisamente 1 en cada píxel de saída e non aparece ningunha liña clara ou escura ao longo dunha costura. A saída en bruto do modelo non se recorta dentro do gráfico — os valores medidos van desde aproximadamente −0,18 a +1,19 — así que cada mostra límítase ao rango 0–255 antes da conversión a 8 bits, que é o que evita o moteado ao longo de bordos de alto contraste. O alfa remostréase por separado e bilinealmente, porque a propia rede non ten camiño alfa.
5. 5
   O resultado codifícase no worker

   Os píxeles montados debúxanse nun OffscreenCanvas e codifícanse a PNG inmediatamente, así que premer Descargar non ten ningunha lagoa asíncrona diante. Cambiar a JPG recodifica desde o lenzo que o worker aínda mantén en lugar de executar o modelo de novo. Tamén se renderiza un pequeno recorte central ao 100% xunto coa mesma rexión remostreada polo navegador, que é a única comparación na que unha diferenza 4× é realmente visible.

Ferramentas relacionadas