मोफत इमेज अपस्केलर

हे कसे कार्य करते

Upscaler तुमच्या स्वतःच्या मशीनवर Web Worker आत onnxruntime-web द्वारे Real-ESRGAN general-x4v3 — 4.6 MB convolutional super-resolution network — चालवतो. मॉडेल आमच्या स्वतःच्या सर्व्हरवरून एकदा आणले जाते, cached होते, नंतर offline वापरले जाते; तुमचा फोटो स्थानिक पातळीवर canvas वर डीकोड होतो व कधीच अपलोड होत नाही. Scale घटक 4× वर निश्चित आहे, कारण तो graph मध्ये दोन ठिकाणी hard-baked आहे.

1. 1
   इमेज overlapping tiles मध्ये कापली जाते

   4× निकाल सोळापट pixels असतो, त्यामुळे 4000×3000 फोटो 192 मेगापिक्सेल होईल — ब्राउझर टॅबला फक्त हळू न करता सरळ मारण्यास पुरेसे. त्याऐवजी चित्र त्याला नेमके tile करणाऱ्या cores मध्ये विभागले जाते, आणि प्रत्येक core प्रत्येक बाजूला context च्या अतिरिक्त सीमेसह वाचला जातो त्यामुळे convolution stack (ज्याचे receptive field 34 pixels आहे) ला काम करण्यासाठी खरे शेजारी pixels मिळतात. सीमा edge-replicated आहेत, कधीच zero-padded नाहीत, जे अन्यथा मॉडेलला frame भोवती काळी कड तीक्ष्ण करण्यास भाग पाडेल.
2. 2
   प्रत्येक tile planar RGB tensor म्हणून पॅक होते

   एक tile [1, 3, H, W] आकाराचा float32 tensor बनतो, लाल, हिरवा, व निळा channels वेगळ्या planes म्हणून साठवलेले व मूल्ये फक्त 255 ने भागलेली — कोणतेही mean/standard-deviation नॉर्मलायझेशन नाही. प्रत्येक tile नेमक्या त्याच चौरस आकारात padded आहे, कारण WebGPU backend प्रत्येक नवीन इनपुट आकारासाठी त्याचे shaders पुन्हा-compile करतो व तीन वेगळ्या tile आकारांची योजना तो खर्च तीन वेळा भरेल.
3. 3
   Inference WebGPU अस्तित्वात असेल तिथे चालते, अन्यथा CPU वर

   Session आधी WebGPU सह तयार होतो व कोणत्याही अपयशावर single-threaded WebAssembly कडे वळतो — graphics drivers नित्यक्रमाने सपोर्ट जाहीर करतात व नंतर graph बांधताना अर्ध्यात अयशस्वी होतात, व हळू असणे तुटलेल्यापेक्षा चांगले. fallback वास्तववादी आकार मर्यादा व चालण्याची वेळ मोठ्या घटकाने बदलत असल्याने, साधन पहिली tile चालण्याआधी काम खरोखर मिळालेल्या provider विरुद्ध पुन्हा-तपासते, आणि नंतर कोणता वापरला ते सांगते.
4. 4
   Tiles परत cross-faded होतात व clamped होतात

   Tiles ला सरळ जोडणे दृश्यमान grid सोडते, त्यामुळे प्रत्येक tile चे योगदान shared strip वर रेखीय ramp ने weighted केले जाते. दोन ramps नेमके पूरक आहेत, त्यामुळे weights प्रत्येक आउटपुट pixel वर नेमके 1 पर्यंत बेरीज होतात व कोणतीही उजळ किंवा गडद रेषा seam वर दिसत नाही. मॉडेलचा कच्चा आउटपुट graph आत clip केलेला नाही — मोजलेली मूल्ये सुमारे −0.18 ते +1.19 दरम्यान असतात — त्यामुळे 8-बिट कास्टआधी प्रत्येक sample 0–255 श्रेणीत clamped होतो, जे high-contrast कडांवरील speckle रोखते. Alpha वेगळा व bilinear सोबत resampled होतो, कारण network ला स्वतःला alpha मार्ग नाही.
5. 5
   निकाल worker मध्ये एन्कोड होतो

   एकत्रित pixels OffscreenCanvas वर काढले जातात व लगेच PNG मध्ये एन्कोड होतात, त्यामुळे Download दाबल्याने त्याआधी कोणतीही async अंतर नसते. JPG कडे सेलगणे मॉडेल पुन्हा चालवण्याऐवजी worker अजूनही धरून असलेल्या canvas मधून पुन्हा-एन्कोड करते. एक लहान मध्य crop ब्राउझरने resampled केलेल्या त्याच भागासह 100% वर देखील रेंडर होतो, हीच एकमेव तुलना जिथे 4× फरक खरोखर दिसतो.

संबंधित साधने