Com funciona l'augment d'escalabilitat per IA

Com funciona l'augment d'escalat de la IA?

Resposta curta: l'augment d'escala amb IA funciona entrenant un model amb imatges aparellades de baixa i alta resolució i, a continuació, utilitzant-lo per predir píxels addicionals creïbles durant l'augment d'escala. Si el model ha vist textures o cares similars durant l'entrenament, pot afegir detalls convincents; si no, pot "al·lucinar" artefactes com ara halos, pell cerosa o parpelleig en vídeo.

Conclusions clau:

Predicció : El model genera detalls plausibles, no una reconstrucció garantida de la realitat.

Elecció del model : les CNN solen ser més estables; les GAN poden semblar més nítides però corren el risc d'inventar funcions.

Comprovació d'artefactes : Vigileu els halos, les textures repetides, les "quasi lletres" i les cares de plàstic.

Estabilitat de vídeo : utilitzeu mètodes temporals o veureu una brillantor i una desviació fotograma a fotograma.

Ús d'alt risc : si la precisió és important, reveleu el processament i tracteu els resultats com a il·lustratius.

Com funciona l'augment d'escala de la IA? Infografia.

Probablement ho heu vist: una imatge petita i cruixent es converteix en alguna cosa prou nítida per imprimir-la, reproduir-la en streaming o deixar-la caure en una presentació sense fer cap ganyota. Sembla fer trampa. I, de la millor manera, en certa manera ho és 😅

Així doncs, el funcionament de la millora d'escala amb IA es redueix a quelcom més específic que "l'ordinador millora els detalls" (ondulació de la mà) i més semblant a "un model prediu una estructura d'alta resolució plausible basada en patrons que ha après de molts exemples" ( Aprenentatge profund per a la superresolució d'imatges: una enquesta ). Aquest pas de predicció és tot el que importa, i és per això que la millora d'escala amb IA pot semblar impressionant... o una mica plàstica... o com si al teu gat li haguessin crescut bigotis addicionals.

Articles que potser t'agradaria llegir després d'aquest:

🔗 Com funciona la IA
Aprèn els conceptes bàsics de models, dades i inferència en IA.

🔗 Com aprèn la IA
Vegeu com les dades d'entrenament i els comentaris milloren el rendiment del model al llarg del temps.

🔗 Com la IA detecta anomalies
Comprendre les línies de base dels patrons i com la IA detecta ràpidament comportaments inusuals.

🔗 Com la IA prediu tendències
Explora mètodes de previsió que detectin senyals i anticipin la demanda futura.

Com funciona l'augment d'escalabilitat de la IA: la idea central, en paraules quotidianes 🧩

Augmentar l'escala significa augmentar la resolució: més píxels, imatge més gran. L'augment d'escala tradicional (com la bicúbica) bàsicament estira els píxels i suavitza les transicions ( interpolació bicúbica ). Està bé, però no pot inventar nous detalls, simplement interpola.

L'augment d'escala de la IA intenta alguna cosa més agosarada (també coneguda com a "superresolució" en el món de la recerca) ( Aprenentatge profund per a la superresolució d'imatges: una enquesta ):

  • Mira l'entrada de baixa resolució

  • Reconeix patrons (vores, textures, trets facials, traços de text, teixits...)

  • hauria de ser una versió d'alta resolució

  • Genera dades de píxels addicionals que s'ajusten a aquests patrons

No és "restaurar la realitat perfectament", sinó més aviat "fer una conjectura altament creïble" ( Imatge de superresolució utilitzant xarxes convolucionals profundes (SRCNN) ). Si això sona una mica sospitós, no us equivoqueu, però també és per això que funciona tan bé 😄

I sí, això vol dir que la millora d'escala de la IA és bàsicament una al·lucinació controlada... però d'una manera productiva i respectuosa amb els píxels.

Què fa que una bona versió de l'escalat de la IA sigui? ✅🛠️

Si esteu jutjant un escalador d'IA (o una configuració predefinida), això és el que sol importar més:

  • Recuperació de detalls sense sobrecocció.
    Una bona millora d'escala afegeix cruixent i estructura, sense soroll cruixent ni porus falsos.

  • Disciplina de les vores
    Les línies netes es mantenen netes. Els models deficients fan que les vores trontollin o creïn halos.

  • Realisme de textures
    Els cabells no s'haurien de convertir en una pinzellada. El maó no s'hauria de convertir en un segell de patró repetitiu.

  • Maneig del soroll i la compressió
    Moltes imatges quotidianes estan convertides en JPEG fins a la mort. Un bon escalador no amplifica aquest dany ( Real-ESRGAN ).

  • Reconeixement de cares i text
    Les cares i el text són els llocs on es poden detectar errors amb més facilitat. Els bons models els tracten amb cura (o tenen modes especialitzats).

  • Coherència entre fotogrames (per a vídeo).
    Si els detalls parpellegen fotograma a fotograma, els teus ulls cridaran. La millora d'escala de vídeo viu o mor per l'estabilitat temporal ( BasicVSR (CVPR 2021) ).

  • Controls que tinguin sentit
    Voleu controls lliscants que s'assignin a resultats reals: eliminació de soroll, eliminació de desenfoque, eliminació d'artefactes, retenció de gra, enfocació... la part pràctica.

Una regla silenciosa que es manté: la "millor" millora d'escala sovint és la que gairebé no notes. Sembla que tenies una càmera millor per començar 📷✨

Taula comparativa: opcions populars d'augment d'escala de la IA (i per a què serveixen) 📊🙂

A continuació es mostra una comparació pràctica. Els preus són intencionadament imprecisos perquè les eines varien segons la llicència, els paquets, els costos de computació i totes aquestes coses divertides.

Eina / Enfocament Ideal per a vibració del preu Per què funciona (aproximadament)
Amplificadors d'escriptori d'estil Topaz ( Topaz Photo , Topaz Video ) Fotos, vídeo, flux de treball fàcil De pagament Models generals forts + molts ajustaments, tendeixen a "simplement funcionar"... majoritàriament
Funcions de tipus "Superresolució" d'Adobe ( Adobe Enhance > Superresolució ) Fotògrafs que ja formen part d'aquest ecosistema Subscripció Reconstrucció amb detalls sòlids, generalment conservadora (menys dramàtica)
Real-ESRGAN / variants d'ESRGAN ( Real-ESRGAN , ESRGAN ) Bricolatge, desenvolupadors, treballs per lots Gratuït (però costós en temps) Excel·lent en detalls de textures, pot ser picant a les cares si no es té cura
Modes d'escalat basats en la difusió ( SR3 ) Treball creatiu, resultats estilitzats Mixt Pot crear detalls magnífics, també pot inventar ximpleries, així que... sí
Escaladors de jocs (estil DLSS/FSR) ( NVIDIA DLSS , AMD FSR 2 ) Jocs i renderització en temps real Incorporat Utilitza dades de moviment i dades apreses a priori: guanya un rendiment suau 🕹️
Serveis d'escalat al núvol Comoditat, victòries ràpides Pagament per ús Ràpid + escalable, però intercanvies control i de vegades subtilesa
Amplificadors d'IA centrats en vídeo ( BasicVSR , Topaz Video ) Imatges antigues, anime, arxius De pagament Trucs temporals per reduir el parpelleig + models de vídeo especialitzats
Ampliació d'escala de telèfons/galeries "intel·ligents" Ús ocasional Inclòs Models lleugers ajustats per a un rendiment agradable, no per a la perfecció (encara són útils)

Confessió de peculiaritat de formatació: "Paid-ish" fa molta feina en aquesta taula. Però ja m'entens la idea 😅

El gran secret: els models aprenen un mapatge de baixa resolució a alta resolució 🧠➡️🖼️

Al cor de la majoria de l'augment d'escala de la IA hi ha una configuració d'aprenentatge supervisat ( Superresolució d'imatges mitjançant xarxes convolucionals profundes (SRCNN) ):

  1. Comença amb imatges d'alta resolució (la "veritat")

  2. Reduir la mostra a versions de baixa resolució (l'"entrada")

  3. Entrena un model per reconstruir l'alta resolució original a partir de la baixa resolució

Amb el temps, el model aprèn correlacions com ara:

  • "Aquest tipus de borrositat al voltant d'un ull sol ser de les pestanyes"

  • «Aquest grup de píxels sovint indica text serif»

  • «Aquest gradient de vora sembla una línia de teulada, no un soroll aleatori»

No es tracta de memoritzar imatges específiques (en el sentit simple), sinó d'aprendre l'estructura estadística ( Aprenentatge profund per a la superresolució d'imatges: una enquesta ). Pensa-hi com aprendre la gramàtica de les textures i les vores. No la gramàtica de la poesia, més aviat... la gramàtica del manual d'IKEA 🪑📦 (metàfora maldestra, però prou semblant).

Els fonaments: què passa durant la inferència (quan amplies l'escala) ⚙️✨

Quan introduïu una imatge a un escalador d'IA, normalment hi ha un canal com aquest:

  • Preprocessament

    • Converteix l'espai de color (de vegades)

    • Normalitzar els valors dels píxels

    • Divideix la imatge en trossos si és gran (comprovació de la realitat de la VRAM 😭) ( Repositori Real-ESRGAN (opcions de mosaic) )

  • Extracció de característiques

    • Les primeres capes detecten vores, cantonades i gradients

    • Les capes més profundes detecten patrons: textures, formes, components facials

  • Reconstrucció

    • El model genera un mapa de característiques d'alta resolució

    • Aleshores ho converteix en una sortida de píxels real

  • Postprocessament

    • Esmolat opcional

    • Eliminació de soroll opcional

    • Supressió opcional d'artefactes (sonorització, halos, bloqueig)

Un detall subtil: moltes eines milloren l'escala de les tessel·les i després barregen les juntes. Les eines fantàstiques amaguen els límits de les tessel·les. Les eines deixen marques de quadrícula tènues si arrufes els ulls. I sí, arrufareu els ulls, perquè als humans els encanta inspeccionar imperfeccions minúscules amb un zoom del 300% com petits gremlins 🧌

Les principals famílies de models utilitzades per a l'augment d'escala de la IA (i per què són diferents) 🤖📚

1) Superresolució basada en la CNN (el cavall de batalla clàssic)

Les xarxes neuronals convolucionals són excel·lents en patrons locals: vores, textures, estructures petites ( Superresolució d'imatges utilitzant xarxes convolucionals profundes (SRCNN) ).

  • Pros: més o menys ràpid, estable, menys sorpreses

  • Contres: pot semblar una mica "processat" si es pressiona molt

2) Ampliació d'escala basada en GAN (estil ESRGAN) 🎭

Les GAN (Xarxes Generatives Adversarials) entrenen un generador per produir imatges d'alta resolució que un discriminador no pot distingir de les reals ( Xarxes Generatives Adversarials ).

  • Pros: detalls impactants, textura impressionant

  • Contres: pot inventar detalls que no hi eren; de vegades són incorrectes, de vegades estranys ( SRGAN , ESRGAN )

Una GAN et pot donar aquesta nitidesa que et deixarà bocabadat. També pot donar al subjecte del retrat una cella més gran. Així doncs... tria les teves batalles 😬

3) Ampliació d'escala basada en la difusió (el comodí creatiu) 🌫️➡️🖼️

Els models de difusió eliminen el soroll pas a pas i es poden guiar per produir detalls d'alta resolució ( SR3 ).

  • Pros: pot ser increïblement bo amb detalls plausibles, especialment per a treballs creatius

  • Contres: es pot allunyar de la identitat/estructura original si els entorns són agressius ( SR3 )

Aquí és on la "millora d'escala" comença a barrejar-se amb la "reinvenció". De vegades això és exactament el que vols. De vegades no.

4) Augment d'escala de vídeo amb consistència temporal 🎞️

La millora d'escala de vídeo sovint afegeix una lògica sensible al moviment:

  • Utilitza fotogrames veïns per estabilitzar els detalls ( BasicVSR (CVPR 2021) )

  • Intenta evitar el parpelleig i els artefactes de rastreig

  • Sovint combina la superresolució amb la reducció de soroll i el desentrellaçat ( Topaz Video )

Si ampliar una imatge és com restaurar una pintura, ampliar un vídeo és com restaurar un flipbook sense fer que el nas del personatge canviï de forma a cada pàgina. Cosa que és... més difícil del que sembla.

Per què l'augment d'escala de la IA de vegades sembla fals (i com detectar-ho) 👀🚩

L'augment d'escala de la IA falla de maneres recognoscibles. Un cop aprenguis els patrons, els veuràs a tot arreu, com comprar un cotxe nou i de sobte adonar-te d'aquell model a cada carrer 😵💫

Comú diu:

  • Depilació facial amb cera (massa eliminació de soroll + allisat)

  • Halos massa definits al voltant de les vores (territori clàssic de "sobrecàrrega") ( interpolació bicúbica )

  • Textures repetides (les parets de maó es converteixen en patrons de copiar i enganxar)

  • Microcontrast cruixent que crida "algoritme"

  • Deformació de text on les lletres es converteixen en gairebé lletres (el pitjor tipus)

  • Deriva de detalls on petites característiques canvien subtilment, especialment en fluxos de treball de difusió ( SR3 )

La part complicada: de vegades aquests artefactes semblen "millors" a primera vista. Al teu cervell li agrada la nitidesa. Però al cap d'un moment, sembla... estrany.

Una bona tàctica és allunyar la imatge i comprovar si es veu natural a una distància de visió normal. Si només es veu bé amb un zoom del 400%, no és una victòria, és una afició 😅

Com funciona l'augment d'escalabilitat amb IA: la part de formació, sense el maldecap matemàtic 📉🙂

L'entrenament de models de superresolució normalment implica:

Tipus de pèrdues típiques:

  • Pèrdua de píxels (L1/L2)
    Fomenta la precisió. Pot produir resultats lleugerament fluixos.

  • Pèrdua perceptiva
    Compara característiques més profundes (com ara "s'assembla això " ) en lloc de píxels exactes ( Pèrdues perceptives (Johnson et al., 2016) ).

  • Pèrdua antagònica (GAN)
    Fomenta el realisme, de vegades a costa de la precisió literal ( SRGAN , Xarxes Generatives Adversarials ).

Hi ha un estira-i-arronsa constant:

  • Fer-ho fidel a l'original
    vs.

  • Fes-ho visualment agradable

Diferents eines aterren en diferents llocs d'aquest espectre. I és possible que en preferiu una depenent de si esteu restaurant fotos familiars o preparant un pòster on el "guap" importa més que la precisió forense.

Fluxs de treball pràctics: fotos, escanejos antics, anime i vídeo 📸🧾🎥

Fotos (retrats, paisatges, fotos de productes)

Les millors pràctiques solen ser:

  • Eliminació suau de soroll primer (si cal)

  • Escala de luxe amb configuracions conservadores

  • Afegiu-hi gra si les coses es veuen massa suaus (sí, de debò)

El gra és com la sal. Massa arruïna el sopar, però cap pot tenir un gust una mica desigual 🍟

Escaneigs antics i imatges molt comprimides

Aquests són més difícils perquè el model podria tractar els blocs de compressió com a "textura".
Proveu:

  • Eliminació o desbloqueig d'artefactes

  • Després, millora de gamma

  • Després, un lleuger esmolament (no massa... Ja ho sé, tothom ho diu, però tot i així)

Anime i art lineal

L'art lineal es beneficia de:

  • Models que conserven vores netes

  • Al·lucinació de textures reduïda
    La millora d'escala de l'anime sovint queda molt bé perquè les formes són més simples i consistents. (Que sort.)

Vídeo

El vídeo afegeix passos addicionals:

  • Eliminació de soroll

  • Desentrellaçat (per a certes fonts)

  • Exclusiu

  • Suavització o estabilització temporal ( BasicVSR (CVPR 2021) )

  • Reintroducció opcional de gra per a la cohesió

Si et saltes la consistència temporal, aconsegueixes aquest detall brillant i parpellejant. Un cop el notes, ja no el pots deixar de veure. Com una cadira que grinyola en una habitació silenciosa 😖

Triar configuracions sense endevinar de manera esbojarrada (una petita guia) 🎛️😵💫

Aquí teniu una mentalitat inicial decent:

  • Si les cares semblen plàstiques
    , redueix el soroll, redueix l'enfocament i prova un model o mode que preservi la cara.

  • Si les textures semblen massa intenses,
    baixeu els controls lliscants de "millora de detalls" o "recuperació de detalls" i afegiu-hi un gra subtil després.

  • Si les vores brillen
    , baixeu l'enfocament i comproveu les opcions de supressió d'halos.

  • Si la imatge sembla massa "IA",
    sigueu més conservadors. De vegades, la millor opció és simplement... menys.

A més: no augmenteu l'escala a 8x només perquè podeu. Un 2x o 4x net sovint és el punt ideal. Més enllà d'això, li esteu demanant al model que escrigui un fanfiction sobre els vostres píxels 📖😂

Ètica, autenticitat i la incòmoda qüestió de la "veritat" 🧭😬

L'augment d'escala de la IA desdibuixa una línia:

  • La restauració implica recuperar el que hi havia

  • La millora implica afegir allò que no hi havia

Amb fotos personals, normalment està bé (i és bonic). Amb periodisme, proves legals, imatges mèdiques o qualsevol cosa on la fidelitat importi... cal anar amb compte ( OSAC/NIST: Guia estàndard per a la gestió forense d'imatges digitals , Directrius SWGDE per a l'anàlisi forense d'imatges ).

Una regla senzilla:

  • Si hi ha molt en joc, tracteu l'ampliació d'escala de la IA com a il·lustrativa , no definitiva.

A més, la divulgació és important en contextos professionals. No perquè la IA sigui maligna, sinó perquè el públic mereix saber si els detalls van ser reconstruïts o capturats. Això és simplement... respectuós.

Notes finals i un breu resum 🧡✅

Així doncs, com funciona l'augment d'escala amb IA és així: els models aprenen com els detalls d'alta resolució tendeixen a relacionar-se amb patrons de baixa resolució i després prediuen píxels addicionals creïbles durant l'augment d'escala ( Aprenentatge profund per a la superresolució d'imatges: una enquesta ). Depenent de la família de models (CNN, GAN, difusió, vídeo-temporal), aquesta predicció pot ser conservadora i fidel... o atrevida i, de vegades, desquiciada 😅

Resum ràpid

Si vols, digue'm què estàs millorant (cares, fotos antigues, vídeos, anime, escanejos de text) i et suggeriré una estratègia de configuració que tendeixi a evitar els errors comuns de l'"aspecte d'IA" 🎯🙂

Preguntes freqüents

Ampliació d'escalabilitat de la IA i com funciona

L'augment d'escala amb IA (sovint anomenada "superresolució") augmenta la resolució d'una imatge predient els detalls d'alta resolució que falten dels patrons apresos durant l'entrenament. En lloc de simplement estirar els píxels com la interpolació bicúbica, un model estudia les vores, les textures, les cares i els traços semblants al text, i després genera noves dades de píxels que són coherents amb aquests patrons apresos. Es tracta menys de "restaurar la realitat" i més de "fer una conjectura creïble" que es llegeix com a natural.

Ampliació d'escala amb IA versus redimensionament bicúbic o tradicional

Els mètodes tradicionals d'augment d'escala (com el bicúbic) interpolen principalment entre píxels existents, suavitzant les transicions sense crear detalls nous. L'augment d'escala per IA té com a objectiu reconstruir una estructura plausible reconeixent pistes visuals i predient quin aspecte solen tenir les versions d'alta resolució d'aquestes pistes. És per això que els resultats de la IA poden semblar molt més nítids i també per això poden introduir artefactes o "inventar" detalls que no eren presents a la font.

Per què les cares poden semblar ceroses o massa llises

Les cares ceroses solen provenir d'una eliminació de soroll i un suavitzat agressius combinats amb un afilat que elimina la textura natural de la pell. Moltes eines tracten el soroll i la textura fina de manera similar, de manera que "netejar" una imatge pot esborrar els porus i els detalls subtils. Un enfocament comú és reduir la eliminació de soroll i l'afilat, utilitzar un mode de preservació de la cara si està disponible i, a continuació, reintroduir un toc de gra perquè el resultat sembli menys plàstic i més fotogràfic.

Artefactes comuns d'escalat d'IA a tenir en compte

Els indicadors típics inclouen halos al voltant de les vores, patrons de textura repetits (com ara maons de copiar i enganxar), microcontrast cruixent i text que es converteix en "gairebé lletres". En els fluxos de treball basats en la difusió, també es pot veure una deriva de detalls on les petites característiques canvien subtilment. En el cas del vídeo, el parpelleig i el rastreig dels detalls entre fotogrames són grans senyals d'alerta. Si només es veu bé amb un zoom extrem, és probable que la configuració sigui massa agressiva.

Com tendeixen a diferir els resultats dels escaladors de GAN, CNN i de difusió

La superresolució basada en CNN tendeix a ser més estable i predictible, però pot semblar "processada" si s'hi posa molta força. Les opcions basades en GAN (estil ESRGAN) sovint produeixen una textura més impactant i una nitidesa percebuda més intensa, però poden al·lucinar detalls incorrectes, especialment a les cares. L'augment d'escala basat en la difusió pot generar detalls bonics i plausibles, però pot desviar-se de l'estructura original si la guia o els paràmetres de força són massa forts.

Una estratègia de configuració pràctica per evitar un aspecte "massa intel·ligent"

Comença de manera conservadora: augmenta l'escala a 2× o 4× abans d'anar a factors extrems. Si les cares semblen plàstiques, redueix la reducció de soroll i la nitidesa i prova un mode sensible a les cares. Si les textures es tornen massa intenses, redueix la millora de detalls i considera afegir un gra subtil després. Si les vores brillen, redueix la nitidesa i comprova la supressió d'halos o artefactes. En moltes aplicacions, "menys" guanya perquè preserva un realisme creïble.

Gestionar escanejos antics o imatges JPEG molt comprimides abans de la millora d'escala

Les imatges comprimides són complicades perquè els models poden tractar els artefactes de bloc com a textures reals i amplificar-los. Un flux de treball comú és l'eliminació o el desbloqueig dels artefactes primer, després l'augment d'escala i, finalment, un lleuger enfocament només si cal. Per als escanejos, una neteja suau pot ajudar el model a centrar-se en l'estructura real en lloc dels danys. L'objectiu és reduir els "indicis de textura falsa" perquè l'augment d'escala no es vegi obligat a fer conjectures segures a partir d'entrades sorolloses.

Per què la millora d'escala de vídeo és més difícil que la millora d'escala de fotos

La millora d'escala de vídeo ha de ser coherent entre fotogrames, no només ha de ser bona en una imatge fixa. Si els detalls parpellegen fotograma a fotograma, el resultat esdevé ràpidament una distracció. Els enfocaments centrats en el vídeo utilitzen informació temporal dels fotogrames veïns per estabilitzar la reconstrucció i evitar artefactes brillants. Molts fluxos de treball també inclouen la reducció de soroll, el desentrellaçat per a certes fonts i la reintroducció opcional del gra perquè tota la seqüència sembli cohesionada en lloc d'artificialment nítida.

Quan l'ampliació d'escalabilitat per IA no és adequada o és arriscat confiar-hi

L'augment d'escala de la IA es considera millor com una millora, no com una prova. En contextos d'alt risc com el periodisme, les proves legals, les imatges mèdiques o el treball forense, generar píxels "creïbles" pot induir a error perquè pot afegir detalls que no s'han capturat. Un emmarcament més segur és utilitzar-lo de manera il·lustrativa i revelar que un procés d'IA ha reconstruït detalls. Si la fidelitat és crítica, conserveu els originals i documenteu cada pas del processament i la configuració.

Referències

  1. arXiv - Aprenentatge profund per a la superresolució d'imatges: una enquesta - arxiv.org

  2. arXiv - Superresolució d'imatges utilitzant xarxes convolucionals profundes (SRCNN) - arxiv.org

  3. arXiv - Real-ESRGAN - arxiv.org

  4. arXiv - ESRGAN - arxiv.org

  5. arXiv - SR3 - arxiv.org

  6. Desenvolupador NVIDIA - NVIDIA DLSS - developer.nvidia.com

  7. AMD GPUOpen - FidelityFX Super Resolution 2 - gpuopen.com

  8. La Fundació de Visió per Computador (CVF) Accés Obert - BasicVSR: La Recerca de Components Essencials en Superresolució de Vídeo (CVPR 2021) - openaccess.thecvf.com

  9. arXiv - Xarxes Generatives Adversarials - arxiv.org

  10. arXiv - SRGAN - arxiv.org

  11. arXiv - Pèrdues de percepció (Johnson et al., 2016) - arxiv.org

  12. GitHub - Repositori Real-ESRGAN (opcions de tessel·les) - github.com

  13. Viquipèdia - Interpolació bicúbica - wikipedia.org

  14. Topaz Labs - Topaz Photo - topazlabs.com

  15. Topaz Labs - Vídeo de Topaz - topazlabs.com

  16. Centre d'ajuda d'Adobe - Adobe Enhance > Superresolució - helpx.adobe.com

  17. NIST / OSAC - Guia estàndard per a la gestió forense d'imatges digitals (versió 1.0) - nist.gov

  18. SWGDE - Pautes per a l'anàlisi forense d'imatges - swgde.org

Troba la darrera versió d'IA a la botiga oficial d'assistents d'IA

Sobre nosaltres

Torna al bloc