મફત ઇમેજ અપસ્કેલર

આ કેવી રીતે કાર્ય કરે છે

Upscaler Real-ESRGAN general-x4v3 — 4.6 MB convolutional super-resolution network — તમારા પોતાના મશીન પર Web Worker ની અંદર onnxruntime-web દ્વારા ચલાવે છે. Model અમારા પોતાના સર્વર પરથી એક વખત fetch થાય છે, cached થાય છે, અને પછી offline વપરાય છે; તમારો ફોટો સ્થાનિક રીતે canvas પર decode થાય છે અને ક્યારેય અપલોડ થતો નથી. Scale factor 4× પર fixed છે, કારણ કે તે graph માં બે જગ્યાએ hard-baked છે.

1. 1
   ઇમેજ overlapping tiles માં કપાય છે

   4× પરિણામ pixels નું સોળ ગણું છે, તેથી 4000×3000 ફોટો 192 megapixels હશે — browser tab ને ધીમો કરવાને બદલે સંપૂર્ણપણે kill કરવા પૂરતું. તેને બદલે picture ને exactly tile કરતા cores માં વિભાજિત કરવામાં આવે છે, અને દરેક core ને દરેક બાજુ context ના વધારાના margin સાથે વાંચવામાં આવે છે જેથી convolution stack (જેનું receptive field 34 pixels છે) પાસે કામ કરવા વાસ્તવિક neighbouring pixels હોય. Borders edge-replicated છે, ક્યારેય zero-padded નહીં, જે અન્યથા model ને frame ની આસપાસ black rim sharpen કરાવે.
2. 2
   દરેક tile planar RGB tensor તરીકે packed છે

   એક tile red, green, અને blue channels ને અલગ planes તરીકે સ્ટોર કરીને અને મૂલ્યોને ફક્ત 255 વડે ભાગીને [1, 3, H, W] shape નું float32 tensor બને છે — કોઈ mean/standard-deviation normalisation નહીં. દરેક tile બરાબર એક જ square size સુધી padded છે, કારણ કે WebGPU backend દરેક નવા input shape માટે તેના shaders ને recompile કરે છે અને ત્રણ જુદા tile sizes ધરાવતી plan એ cost ત્રણ વખત ચૂકવશે.
3. 3
   Inference જ્યાં હોય ત્યાં WebGPU પર ચાલે છે, નહીંતર CPU પર

   Session પહેલા WebGPU સાથે બને છે અને કોઈપણ failure પર single-threaded WebAssembly પર fall back કરે છે — graphics drivers નિયમિતપણે support ની જાહેરાત કરે છે અને પછી graph બનાવવાની વચ્ચે નિષ્ફળ જાય છે, અને ધીમું, તૂટેલા કરતાં સારું છે. કારણ કે fallback realistic size limit અને run time ને મોટા factor વડે બદલે છે, ટૂલ પ્રથમ tile ચાલે તે પહેલા તેને ખરેખર જે provider મળ્યો એ સામે job ને ફરીથી ચકાસે છે, અને પછી કયો વપરાયો તે તમને કહે છે.
4. 4
   Tiles cross-faded પાછા જોડાય છે અને clamp થાય છે

   Butt-joining tiles દેખાતું grid છોડે છે, તેથી દરેક tile નું contribution shared strip પર linear ramp વડે weighted છે. બે ramps exact complements છે, તેથી weights દરેક output pixel પર બરાબર 1 સુધી સરવાળા થાય છે અને seam પર કોઈ bright કે dark line દેખાતી નથી. Model નું raw output graph ની અંદર clip થયેલ નથી — measured values લગભગ −0.18 થી +1.19 સુધી ચાલે છે — તેથી 8-bit cast પહેલા દરેક sample 0–255 range માં clamped છે, જે high-contrast edges પર speckle ને અટકાવે છે. Alpha અલગથી અને bilinearly resample થાય છે, કારણ કે network પોતે કોઈ alpha path ધરાવતું નથી.
5. 5
   પરિણામ worker માં encode થાય છે

   એસેમ્બલ કરેલા pixels OffscreenCanvas પર દોરવામાં આવે છે અને તરત PNG માં encode થાય છે, તેથી Download દબાવવામાં તેની આગળ કોઈ asynchronous gap નથી. JPG પર switch કરવાથી worker હજુ પણ ધરાવે છે એ canvas માંથી ફરીથી encode થાય છે, model ને ફરીથી ચલાવવાને બદલે. બ્રાઉઝર દ્વારા resample કરેલા એ જ region સાથે 100% પર small centre crop પણ render થાય છે, જે એકમાત્ર સરખામણી છે જ્યાં 4× તફાવત ખરેખર દેખાય છે.

સંબંધિત સાધનો