Standardowa zmiana rozmiaru obrazu opiera się na interpolacji matematycznej (resamplingu biliniowym, dwusześciennym lub Lanczos), która uśrednia sąsiednie piksele i nieuchronnie rozmywa krawędzie o wysokiej częstotliwości podczas powiększania. Super-rozdzielczość obrazu AI zastępuje pasywne uśrednianie pikseli głębokim modelem Vision Transformer (Swin2SR, Swin Transformer v2 for Image Super-Resolution), który modeluje długozasięgową atencję własną w oknach 8×8 pikseli, syntetyzując ostre krawędzie, tekstury tkanin i typografię.
Lokalny potok neuronowy Utiliome wybiera optymalną architekturę dla docelowej skali:
- Super-rozdzielczość 2x (
Xenova/swin2SR-lightweight-x2-64Pełne FP32): Wykorzystuje niekwantowane, 32-bitowe wagi zmiennoprzecinkowe (7.7 MB) zamiast 8-bitowej kwantyzacji dynamicznej, zapobiegając powstawaniu szumu kwantyzacji na gładkich gradientach kolorów i działając o ~12% szybciej dzięki instrukcjom WebAssembly SIMD. - Real-World Super-rozdzielczość 4x (
Xenova/swin2SR-realworld-sr-x4-64-bsrgan-psnr): Wytrenowana na zbiorze BSRGAN (Blind Super-Resolution Generative Degradation), który modeluje rzeczywiste rozmycia obiektywu, szum matrycy oraz artefakty kompresji JPEG z internetu i komunikatorów — rekonstruując czyste krawędzie 4x bez wzmacniania szumu tła.