رفع الدقة بالذكاء الاصطناعي ليس مجرد فلتر. إنه شبكة عصبية مدرَّبة درست ملايين الصور، واستوعبت كيف تُبنى الملامس والحواف والتفاصيل في العالم الحقيقي. عندما تزوّدها بصورة ضبابية بدقة 480p، فإنها تعيد بناء ما ينبغي أن تبدو عليه الصورة بدقة أعلى أربع مرات، فتضيف تفاصيل بكسلية أصيلة بدل التخمينات المنعّمة. يشرح هذا المقال العلم والنماذج وما يحدث فعليًا داخل تلك الخوارزميات.
تصفّح أي منتدى للتصوير اليوم وستجد السؤال نفسه يُطرح عشرات المرات في الأسبوع: "كيف أصلح هذه الصورة الضبابية؟" كانت الإجابة في السابق بسيطة ومحبِطة. ما إن تضيع البكسلات حتى تختفي إلى الأبد. كان بوسع البرامج التقليدية نشر الألوان بين البكسلات لتبدو الصورة أقل خشونة قليلًا، لكن التفاصيل لم تعد أبدًا. هكذا كانت القاعدة لعقود. ثم كسر الذكاء الاصطناعي هذه القاعدة.
ما تغيّر ليس الأدوات وحدها، بل المنطق الكامل لطريقة نظر الحاسوب إلى الصورة. فبدلًا من حساب المتوسطات بين البكسلات الموجودة، تطرح شبكة عصبية مدرَّبة سؤالًا مختلفًا جوهريًا: كيف ينبغي أن تبدو هذه الصورة فعلًا؟ والنتيجة هي الفرق بين تخمين ضبابي وواقع أُعيد بناؤه.
تملك معظم محررات الصور خيار "upscale" منذ سنوات. تسحب شريط التمرير فتكبر الصورة، وتبدو النتيجة كأنها التُقطت من خلف زجاج مصنفر. لهذا التأثير اسم: الاستيفاء ثنائي التكعيب (bicubic interpolation).
الاستيفاء ثنائي التكعيب معادلة رياضية. عندما تضاعف دقة الصورة، تحتاج الخوارزمية إلى اختراع بكسلات جديدة. لملء كل بكسل جديد، تنظر إلى 16 بكسلًا أصليًا محيطًا به، وتطبّق متوسطًا موزونًا، وتحسب قيمة لونية تقديرية. إنه سريع ويمكن التنبؤ بنتائجه، وهو قائم كليًا على رياضيات لا تدرك ما تنظر إليه.
المعادلة لا تعرف أنها تنظر إلى عين. لا تفرّق بين خصلة شعر وخط أفق. تعامل كل منطقة في كل صورة بالطريقة نفسها، ولهذا تبدو كل النتائج متشابهة: أكبر قليلًا وأنعم بوضوح.
عندما تُضبّب صورة، تفقد المعلومات عالية التردد. هذا هو المصطلح التقني للتفاصيل الدقيقة: الحواف الحادة، والملمس، والنصوص الصغيرة، وكل شعرة على حدة. لا يستطيع الاستيفاء ثنائي التكعيب إعادة بناء بيانات عالية التردد لأنه لم يمتلكها أصلًا. إنه ينتج متوسطًا موزونًا للقيم المجاورة، وهذا بحكم تعريفه عملية تنعيم.
النتيجة أن رفع الدقة التقليدي يجعل الصور أكبر دون أن يجعلها أفضل. تنتهي بملف أكبر حجمًا لا تزال صورته ضبابية عند الدقة الجديدة.
💡 المشكلة الجوهرية: الطرق التقليدية تكبّر البكسلات. أما الطرق القائمة على الذكاء الاصطناعي فتعيد بناء المحتوى. هاتان عمليتان مختلفتان تمامًا.
رفع الدقة بالذكاء الاصطناعي ليس فلترًا يُطبَّق على الصورة. إنه شبكة عصبية دُرِّبت على توقع شكل الصور عالية الدقة انطلاقًا من نسخها منخفضة الدقة. لا يحسب النموذج المتوسطات. بل يقدّم تنبؤات مدروسة ومبنية إحصائيًا عن التفاصيل التي ينبغي أن توجد في منطقة ما، استنادًا إلى الأنماط التي استوعبها خلال التدريب على ملايين أزواج الصور.
تعمل عملية التدريب بالأزواج: صورة أصلية عالية الدقة، ونسخة منها منخفضة الدقة تم تدهورها اصطناعيًا. تستقبل الشبكة النسخة الضبابية وتُطلب منها إنتاج مخرج يقارب الأصل قدر الإمكان. في كل تكرار، يقيس النموذج مقدار خطئه ويعدّل معاملاته الداخلية. تتكرر هذه العملية عبر ملايين الصور.
بعد التدريب، يكون النموذج قد استوعب شيئًا لافتًا: معرفة إحصائية بكيفية ظهور أنواع مختلفة من الأسطح والملامس والبنى عند الدقة العالية. لقد رأى ما يكفي من العشب ليعرف كيف تبدو شفرات العشب الفردية. ورأى ما يكفي من صور البورتريه ليعرف كيف تتكوّن مسامات الجلد وأهداب العين. ويستخدم هذه المعرفة لملء ما هو ناقص.
لا يتنبأ النموذج بألوان بكسلات منفردة. بل يتنبأ بأنماط تفاصيل عالية التردد مشروطة بالمدخل منخفض الدقة. عندما يرى حافة ضبابية، يعيد بنائها كحد حاد لأن كل حافة حادة في بيانات التدريب بدت حافة ضبابية حين صُغّرت. وعندما يرى منطقة جلد ضبابية، يعيد بناء ملمس المسام الدقيق لأن هذا ما أظهرته بيانات التدريب باستمرار في مناطق الجلد.
لهذا تنتج الصور المرفوعة دقتها بالذكاء الاصطناعي نتائج تبدو واقعية حقًا لا مجرد "أنعم". فالتفاصيل المضافة متسقة إحصائيًا مع محتوى الصورة، وليست تخمينًا رياضيًا.
يشمل مصطلح "رفع الدقة بالذكاء الاصطناعي" عدة مقاربات تقنية مختلفة، لكل منها نقاط قوة وقيود مختلفة. ومعرفة الفرق تساعدك على اختيار الأداة المناسبة لصورتك.
استخدم الجيل الأول من أدوات رفع الدقة بالذكاء الاصطناعي الشبكات العصبية الالتفافية (Convolutional Neural Networks). تمرّر الشبكة الالتفافية الصورة المدخلة عبر سلسلة من المرشحات، يكتشف كل منها أنماطًا أعقد تدريجيًا: أولًا الحواف، ثم الملامس، ثم البنى. وتعيد طبقة المخرجات بناء الصورة بدقة أعلى باستخدام ما رصدته الشبكة.
أثبتت أدوات رفع الدقة الالتفافية المبكرة مثل SRCNN أن التعلم العميق يمكن أن يتفوق بشكل ملحوظ على الاستيفاء. لكن المشكلة أنها كانت تنتج نتائج حادة، لكنها أحيانًا تحمل مظهرًا "مرسومًا" قليلًا، إذ تضيف ملامس معقولة لا تطابق المشهد الأصلي دائمًا.
استخدم الجيل الثاني الشبكات التوليدية التنافسية (Generative Adversarial Networks, GANs). في إعداد GAN تتنافس شبكتان: مولّد ينشئ صورًا مرفوعة الدقة، ومميّز يحاول التمييز بينها وبين صور فوتوغرافية حقيقية عالية الدقة. يدفع هذا التدريب التنافسي المولّد إلى إنتاج نتائج تبدو واقعية إدراكيًا، لا قريبة رياضيًا فحسب.
يُعد Real-ESRGAN من أكثر أدوات رفع الدقة القائمة على GAN اختبارًا على نطاق واسع اليوم. يعتمد على بنية شبكة كثيفة متبقية (residual dense network) مدرَّبة على مجموعة بيانات مُتدهورة بعناية تحاكي خسارة الجودة في العالم الحقيقي: آثار الضغط، والضبابية، والضوضاء، والتصغير مجتمعةً. وهذا ما يجعله فعالًا بشكل خاص في الصور التي مرّت بضغط منصات التواصل الاجتماعي.
تنتج شبكات GANs نتائج أحدّ وأكثر طبيعية من الشبكات الالتفافية. الثمن أنها قد تُدخل أحيانًا تفاصيل متخيَّلة، فتضيف ملمسًا معقولًا المظهر لم يكن موجودًا في الأصل. وفي معظم الاستخدامات يكون هذا مقبولًا، بل مرغوبًا أحيانًا.
يستخدم النهج الأحدث نماذج الانتشار (diffusion models)، وهي البنية نفسها التي تقف خلف أدوات توليد الصور الحديثة. تبدأ أداة رفع الدقة القائمة على الانتشار من المدخل منخفض الدقة، وتزيل الضوضاء على مراحل متكررة، مسترشدًا بالصورة الأصلية، لإنتاج مخرج عالي الدقة.
تنتج أدوات رفع الدقة القائمة على الانتشار، مثل Clarity Pro Upscaler، استعادة استثنائية للتفاصيل، خصوصًا في المناطق المعقدة كالشعر والأوراق والأقمشة. التفاصيل المضافة ليست حادة فحسب، بل واقعية كالصور الفوتوغرافية حقًا، وغالبًا لا يمكن تمييزها عمّا كانت ستلتقطه كاميرا حقيقية. المقابل أن نماذج الانتشار أبطأ وأثقل حسابيًا من مقاربات الشبكات الالتفافية وGANs.
💡 اختيار المقاربة: للسرعة: الشبكات الالتفافية. للحدة الطبيعية: GAN. لاستعادة التفاصيل الواقعية كالصور الفوتوغرافية: الانتشار.
ليست كل أدوات رفع الدقة بالذكاء الاصطناعي مدرَّبة على البيانات نفسها أو محسّنة للمحتوى نفسه. ومطابقة النموذج المناسب لنوع صورتك تُحدث فرقًا كبيرًا في جودة المخرج.
تُدرَّب أدوات رفع الدقة للأغراض العامة على مجموعات بيانات واسعة ومتنوعة، وتؤدي جيدًا عبر معظم أنواع الصور. تتعامل مع المناظر الطبيعية والأجسام والعمارة والتصوير العام بموثوقية، دون أي ضبط دقيق على محتوى محدد.
| النموذج | الاستخدام الأمثل | أقصى رفع للدقة |
|---|---|---|
| Real-ESRGAN | الصور والأعمال الفنية والصور المضغوطة | 4x |
| Google Upscaler | الصور العامة ذات التفاصيل الدقيقة | 4x |
| Recraft Crisp Upscale | رفع دقة نظيف وحاد | 4x |
| Bria Increase Resolution | صور المنتجات والصور التجارية | 4x |
تُضبط نماذج البورتريه دقيقًا على الوجوه والجلد والشعر. تعرف أن المنطقة الضبابية في الوجه غالبًا ما تكون مسام جلد، لا ملمسًا عشوائيًا. وهذا يمنحها ميزة كبيرة على النماذج العامة عندما يكون الشخص الظاهر في الصورة.
تم تحسين Crystal Upscaler من philz1337x خصيصًا للبورتريهات، إذ يستعيد تفاصيل الوجه بدقة لا تستطيع أدوات رفع الدقة العامة مضاهاتها. يظهر الفرق بأوضح صورة في العينين وخصلات الشعر وملمس الجلد عند التكبير القريب.
دُرِّبت بعض النماذج خصيصًا للتعامل مع الصور التالفة: صور فوتوغرافية قديمةممسوحة ضوئيًا، تحمل حبيبات وخدوشًا واصفرارًا وفقدانًا لدقة الألوان. وتتجاوز هذه النماذج رفع الدقة البسيط لتنفذ الترميم ورفع الدقة في الوقت نفسه.
يجمع P Image Upscale بين السرعة والجودة، فيقدم نتائج حادة في نحو ثانية واحدة. ويرفع Topaz Image Upscale الدقة حتى 6x، وهو خيار مفضّل في أعمال التصوير الأرشيفي حيث يُعد الحفاظ على سلامة الأصل مع زيادة الحجم أمرًا حاسمًا.
يوفر PicassoIA تسعة نماذج مخصصة للدقة الفائقة، ويمكن الوصول إليها دون أي إعداد أو تنزيلات أو متطلبات لوحدة GPU. تشغّل النموذج في متصفحك وتنزّل النتيجة خلال ثوانٍ.
قبل تشغيل أي أداة لرفع الدقة، أجب عن سؤالين:
للبورتريهات: ابدأ بنموذج Crystal Upscaler. للسرعة: P Image Upscale. للمشاهد المعقدة ذات التفاصيل القصوى: Clarity Pro Upscaler. للصور القديمة: Recraft Creative Upscale.
يُعد Real-ESRGAN النموذج العام الأكثر اختبارًا على المنصة، ونقطة بداية موثوقة لمعظم الصور.
الخطوة 1: افتح صفحة نموذج Real-ESRGAN على PicassoIA.
الخطوة 2: ارفع صورتك منخفضة الدقة. تُدعم صيغ JPEG وPNG وWebP جميعها.
الخطوة 3: اختر معامل رفع الدقة. 2x يضاعف الدقة، و4x يضاعفها أربع مرات. ابدأ بخيار 4x في معظم الحالات.
الخطوة 4: اضغط Run. يعالج النموذج صورتك في السحابة دون الحاجة إلى وحدة GPU محلية.
الخطوة 5: نزّل النتيجة وقارنها بتكبير 100% لترى التفاصيل المستعادة.
💡 نصيحة: قارن بتكبير 100%، لا بالملاءمة للشاشة. يظهر فرق التفاصيل بأوضح صورة عند العرض بالبكسلات الأصلية، لا بعد تصغيرها لتناسب النافذة.
الدليل يكمن في البكسلات. إليك موضع الفرق بين رفع الدقة بالذكاء الاصطناعي والتقليدي الأكثر وضوحًا بصريًا عبر ثلاثة سيناريوهات شائعة.
هنا تظهر ميزة رفع الدقة بالذكاء الاصطناعي بوضوح أكبر. إذا مررت بورتريه عبر الاستيفاء ثنائي التكعيب بمقدار 4x، يبدو الشعر كأنه بقعة مرسومة. ومرر البورتريه نفسه عبر Crystal Upscaler، فتنفصل الشعيرات الفردية، وتظهر مسامات الجلد، وتبدو الأهداب مدبّبة بواقعية من الجذر إلى الطرف.
تم تدريب نماذج البورتريه على ملايين الوجوه، واستوعبت بدقة ما تبدو عليه التفاصيل الوجهية عالية الدقة. فهي لا تخمّن. إنها تتنبأ انطلاقًا من أسبقيات إحصائية قوية بُنيت عبر تدريب واسع.
النصوص في الصور من أصعب أهداف رفع الدقة، لأنها تتطلب حوافًا حادة وأشكال حروف قابلة للتعرف عليها في الوقت نفسه. تُضبّب الطرق التقليدية حواف الحروف. وتُحدّد النماذج القائمة على الشبكات الالتفافية الحواف لكنها أحيانًا تشوّه أشكال الحروف في هذه العملية.
تتعامل النماذج القائمة على GAN والمدرّبة على مجموعات بيانات متنوعة مع النصوص بشكل أفضل، لأنها استوعبت عددًا كافيًا من الصور التي تحتوي على نصوص لتعرف كيف ينبغي أن تبدو حواف الحروف. وفي الصور التي تهم فيها وضوح النص، يستحق Recraft Crisp Upscale التجربة لعرضه الحواف النظيفة الخالية من الآثار.
ربما يكون هذا أكثر التطبيقات إقناعًا. فمسح صورة فوتوغرافية قديمة ضوئيًا يُنتج غالبًا صورة منخفضة الدقة تحمل اصفرارًا وحبيبات وبهتانًا وفقدانًا لتفاصيل الظلال. ويجعل رفع الدقة التقليدي هذه الصور أكبر دون معالجة أي من المشكلات الكامنة.
تتعامل نماذج مثل Recraft Creative Upscale وTopaz Image Upscale مع الصور القديمة بوصفها مشكلة إعادة بناء. فهي تزيل الضوضاء، وتستعيد توازن الألوان، وتحدّ الحواف، وترفع الدقة في الوقت نفسه. ويمكن أن تبدو صورة من عام 1965 كأنها التُقطت بمعدات حديثة.
حتى مع أفضل النماذج، تؤدي المدخلات السيئة والإعدادات الخاطئة إلى نتائج مخيبة. وهذه هي الأخطاء الثلاثة الأكثر شيوعًا.
1. استخدام النموذج الخاطئ للمحتوى
تشغيل بورتريه عبر نموذج محسّن للمناظر الطبيعية، أو تشغيل صورة منتج عبر نموذج بورتريه، يعطيك تنبؤات غير متطابقة. سيحاول النموذج تطبيق أنماط استوعبها من مجال مختلف. فنماذج البورتريه المطبقة على العمارة يمكن أن تخلق ملامس عضوية غريبة على الأسطح الحجرية والمعدنية. طابق النموذج مع نوع المحتوى دائمًا.
2. رفع دقة صور مضغوطة مسبقًا دون معالجة أولية
يُدخل ضغط JPEG آثار كتل (blocking artifacts): أنماط شبكية مستطيلة تظهر عند مستويات التكبير العالية. عندما ترى أداة رفع الدقة بالذكاء الاصطناعي هذه الآثار، تعاملها كملامح حقيقية في الصورة وتزيد حدتها. والنتيجة صورة تصبح فيها آثار الضغط واضحة وحادة بشكل بارز.
الحل: إذا كانت صورتك المصدرية تحمل كتل JPEG مرئية، فمرّرها أولًا عبر خطوة إزالة الضوضاء، ثم ارفع دقتها. وتدعم معظم سير العمل على المنصات هذا التسلسل.
3. توقّع أن يصلح 4x صور مصغّرة عمرها 10 سنوات
يعمل رفع الدقة بالذكاء الاصطناعي ضمن حدود فيزيائية. يمكنه إعادة بناء تفاصيل معقولة تتسق إحصائيًا مع الصورة، لكنه لا يستطيع اختراع معلومات لم تكن موجودة بأي شكل. صورة مصغرة بحجم 50×50 بكسل مرفوعة الدقة بمقدار 4x تعطيك مخرجًا بحجم 200×200. سيبذل النموذج أقصى جهده، لكن ليست هناك إشارة كافية في المدخل لإعادة بناء ذات معنى.
💡 الحد العملي: يعمل رفع الدقة بالذكاء الاصطناعي بأفضل شكل عندما تبلغ الصورة المصدرية 200 إلى 300 بكسل على الأقل في أصغر بُعد لها. وأدنى من ذلك تتفاوت النتائج تفاوتًا كبيرًا بحسب النموذج ونوع المحتوى.
التقنية الموصوفة في هذا المقال ليست نظرية، ولا هي مكلفة. كل نموذج مذكور أعلاه متاح على PicassoIA دون الحاجة إلى اشتراك للاستخدام الأساسي. ترفع صورتك، وتختار نموذجًا، وتشغّله، وتنزّل النتيجة. لا توجد برامج تحتاج إلى تثبيت، ولا وحدة GPU تحتاج إلى استئجار.
النماذج التي تستحق التجربة للاحتياجات المختلفة:
اختر إحدى صورك الخاصة منخفضة الدقة وشغّلها. الفرق بين ما تدخله وما يخرج منه هو أوضح شرح لطريقة عمل رفع الدقة بالذكاء الاصطناعي يمكن أن يقدمه أي مقال. ابدأ بالنموذج الذي يطابق محتواك، ومن هناك انطلق.
اختر لغتك
