Noch vor kurzem wäre die Idee, die Auflösung eines Bildes nachträglich zu erhöhen und so mehr Bilddetails sichtbar zu machen, als unmöglich abgetan worden. Dank DeepLearning KI-Algorithmen ist aber genau das seit einigen Jahren möglich - erst gab es Forschungsarbeiten zu sogenannten Super Resolution (aka Upscaling) Algorithmen, dann bald auch Software, mit deren Hilfe User auch selbst Bilder (und Videos) hochskalieren konnten.
Der bildende Künstler Andrei Kovalev hat jetzt einen interessanten und sehr ausführlichen Test solcher KI-gestützter Upscaling Tools veröffentlicht, in welchem er mehrere kostenpflichtige und kostenlose Programme zum Hochskalieren von Bildern vergleicht, hier mit dem speziellen Zweck, die Auflösung von Bildern, welche per Midjourney KI erstellt wurden, zum Ausdrucken zu erhöhen. Verglichen werden die kostenpflichtige, populäre Standalone Desktop App Gigapixel AI (die auch als Plugin für Photoshop und Lightroom erhältlich ist) (MacOS/Windows) sowie Adobes Photoshop Super Zoom Plugin (MacOS/Windows - kostenpflichtig im Rahmen eines CC Abos) mit den kostenlosen Lösungen der SuperRes Diffusion (via Googles Colab) sowie den Open Source Desktop Apps chaiNNer und Upscayl (beide Windows/macOS/Linux).
Kovalev liefert sehr gute interaktive Bildvergleiche der verschiedenen Upscaling KIs und erläutert auch die Bedienung der unterschiedlichen Programme und listet deren Stärken und Schwächen. Als Vergleichsbilder werden im Test fünf sehr unterschiedliche per Midjourney erzeugte Bilder genutzt (ein 3D-Rendering, eine geometrische Abstraktion, eine Strichzeichnung, eine detaillierte Pinselzeichnung, ein gemaltes Bild sowie ein Portraitfoto). Letzteres kommt klassischen Photos, dem wohl fürs Upscaling meistverwendeten Bildytypen, am nächsten. Zum Vergleich wird die Bildauflösung per jeweiliger Software von konkret 1.024 x 1.536 auf 4096 x 6.144 Pixel Auflösung jeweils vervierfacht.
Er bietet für jedes Programm einen Vergleich des jeweiligen Upscalings mit dem Ergebnis von Gigapixel AI als Referenz. Bei mehreren Programmen zeigt er zusätzlich zum Defaultmodell auch noch Beispiele spezieller Upscaling-Algorithmen oder -Optionen, die für besondere Einsatzzwecke wie das Hochskalieren von Gesichtern oder Linienzeichnungen entwickelt wurden. Zusätzlich gibt er auch die Rechenzeit an (die allerdings eher im Vergleich der Desktop-Rechenzeiten untereinander als absolut aussagekräftig ist, da er einen eher alten 2013 Mac Pro mit 3.5 GHz 6-Core Intel Xeon E5 CPU samt AMD FirePro D500 3GB VRAM Grafikkarte verwendet). Wer die Tools selbst ausprobieren will, sollte vorher anhand der jeweiligen Hardwareanforderungen checken, ob das eigene System unterstützt wird.
Was ist Super Resolution?
War man früher davon ausgegangen, daß bei einer Vergrößerung der Auflösung keine Details hinzukommen können, welche nicht im Ausgangsbild enthalten sind (weil die Informationen dafür fehlen), findet seit einigen Jahren dank Super Resolution Technologie ein Paradigmenwechsel statt, denn damit können jetzt einem Bild mehr Details hinzugefügt werden, als ursprünglich in digitaler Form vorlagen. Doch wie ist das möglich? Super Resolution Verfahren nutzen für das "Mehr an Pixeln" und damit mehr an Bildinformationen nicht die alte und eher primitive Interpolation zwischen bekannten Pixeln, sondern erfinden Details schlüssig hinzu.
Möglich ist das durch die Deep Learning Technologie, da diese KI-Algorithmen dank Training mit Millionen von Bildern sehr gut darin sind, alle möglichen Arten von Objekten auf einem Bild zu erkennen und sinnvoll zu ergänzen. Beim Hochskalieren machen sich neuronale Netze die typischen Muster natürlicher Objekte zunutze - d.h. Strukturen in den Bildern mit niedriger Auflösung werden beim Hochskalieren sinnvoll rekonstruiert.
Wenn also eine entsprechende Super Resolution KI beispielsweise Millionen von Gesichtern aus verschiedenen Blickwinkeln und in diversen Beleuchtungssituationen gesehen hat, kann sie anschließend jedem grob nur aufgelösten Gesicht in einem Bild gelernte passende Details hinzufügen. Das gilt genauso für Pflanzen, Autos, Tiere oder beliebige andere Objekte. Man sollte allerdings im Hinterkopf behalten, daß die entstehenden hochskalierten Bilder nur sehr wahrscheinliche, zusätzliche Details enthalten und nicht die "wahren" Details aus der der ursprünglichen Aufnahmesituation des Bildes.
