نظرة متعمقة على آليات الدقة الفائقة (super-resolution) بالذكاء الاصطناعي، ولماذا يعطي رفع الدقة أحيانًا نتائج مبهرة وأحيانًا أخرى تشوهات غريبة، وكيف تحصل على نتائج أفضل باستمرار من أي صورة تمرّرها عبر أفضل أدوات رفع الدقة اليوم.
لقد رأيت العروض التوضيحية. تُدرج صورة مصغّرة ضبابية ومبكسلة في أداة رفع دقة بالذكاء الاصطناعي، وبعد ثوانٍ تظهر صورة واضحة مليئة بالتفاصيل. تبدو وكأنها سحر خالص. لكن ما يحدث فعلًا هو التالي: هذه التفاصيل الجديدة لم تكن موجودة في الصورة الأصلية. الذكاء الاصطناعي تنبّأ بها استنادًا إلى أنماط إحصائية اكتسبها أثناء التدريب. وبمجرد أن تستوعب هذا الفرق، تتضح بقية الأمور المتعلقة برفع الدقة بالذكاء الاصطناعي: متى يعمل بشكل ممتاز، ومتى يفشل، ومتى قد تضلّلك النتيجة فعلًا.
يعمل رفع الدقة التقليدي (bicubic أو bilinear interpolation) ببساطة على تمديد البكسلات الموجودة ومزج قيم جيرانها. والنتيجة صورة أكبر وأنعم بشكل موحّد. لقد أضفت بكسلات أكثر دون أن تضيف أي معلومات جديدة.
أما رفع الدقة بالذكاء الاصطناعي فيعمل بطريقة مختلفة. تتدرب شبكة عصبية على ملايين أزواج الصور، يتكون كل زوج من مدخل منخفض الدقة ونسخته المقابلة عالية الدقة، فتكتسب أنماطًا إحصائية عن شكل العالم عند تكبيره. تتعلم أي أنواع الملمس تظهر عادةً عند التقريب على العشب، وكيف تتحدد حواف الصور المعمارية عادةً بوضوح أكبر، وتسجّل شكل مسام الجلد المعتاد عند أربعة أضعاف الحجم الأصلي.
عندما تغذّيها بصورتك، فهي لا تستعيد أي شيء. إنها تتنبأ بما كانت عليه التفاصيل على الأرجح، مستخدمةً تلك الأنماط المكتسبة كدليل.
هذا أهم ما يجب استيعابه عن رفع الدقة بالذكاء الاصطناعي: إنه تنبؤ وليس استعادة.
كل نموذج لرفع الدقة لا يكون أفضل من البيانات التي تدرّب عليها. النموذج الذي تدرّب بكثافة على صور البورتريه الاحترافية في الاستوديو سيضيف مسامًا جلدية مقنعة إلى صور الوجوه المقرّبة. أما إذا غذّيته بصورة ماكرو لخنفساء، فسيُطبَّق منطق ملمس الجلد نفسه على موضوع لا مكان له هناك.
💡 النموذج لا يعرف ما الذي يراه. إنه يتعرّف فقط على أن ترتيبات بكسلات معينة تميل إلى أن تقابل بنيات عالية الدقة معينة، استنادًا إلى أمثلة عالجها أثناء التدريب.
لهذا تتغير جودة رفع الدقة بشكل كبير بحسب موضوع الصورة. قد يكون النموذج قد عالج ثلاثين مليون وجه بشري أثناء التدريب، لكنه لم يعالج سوى بضعة آلاف من الصور المقرّبة لجدران حجرية خشنة. وسيكون رفع دقة جدار الحجر لديك أقل إتقانًا بكثير من البورتريه، حتى لو كانت للصورتين الأصليتين الدقة ذاتها ومستوى الضغط نفسه.
تنوّع الموضوعات في مجموعة بيانات التدريب من أقل العوامل التي يُتحدَّث عنها في جودة رفع الدقة، ومع ذلك فهو يفسّر باستمرار لماذا تبدو النتائج غير متسقة من الخارج، بينما هي في الحقيقة قابلة للتوقع جدًا بمجرد أن تعرف ما بداخل النموذج.
العامل الأكثر حسمًا في نتيجة رفع الدقة هو حالة الصورة المصدر. وهنا تنهار استعارة السحر تمامًا.
إذا كان مصدرك صورة JPEG مضغوطة بشدة، فإن الذكاء الاصطناعي يواجه مشكلة غير معتادة. آثار كتل JPEG ليست ضبابية، بل هي تلف في البيانات يخلق حدودًا مربعة حادة حيث لم يكن للمشهد الأصلي أي حدود. يضطر رافع الدقة إلى أن يقرر ما إذا كانت هذه الحدود القاسية تمثّل حوافًا حقيقية في الموضوع أم ضوضاء ضغط. وغالبًا ما يتخذ قرارات خاطئة، إما أن يُبقي على الكتل في المخرجات أو يحوّلها إلى بقع شمعية أكبر.
تطرح ضبابية الحركة مشكلة أصعب. الوجه الذي ضبّبه اهتزاز الكاميرا لملامحه أثناء التعريض الطويل فقد فعلًا معلومات مكانية. الضبابية ليست مشكلة دقة. بيانات الشكل غير موجودة أصلًا. لا توجد كمية من الاستدلال الإحصائي تستطيع إعادة بناء وجه كان في حالة حركة.
إليك تفصيلًا عمليًا لكيفية تفاعل ظروف المصدر الشائعة مع رفع الدقة بالذكاء الاصطناعي:
| حالة المصدر | نتيجة رفع الدقة |
|---|---|
| صورة حادة بدقة أصلية منخفضة | ممتازة. الحواف الواضحة تمنح النموذج مدخلًا قويًا |
| تركيز بصري ناعم (عمق حقل ضحل) | جيدة. التدرجات الناعمة ترتفع دقتها دون تشوهات كبيرة |
| آثار كتل JPEG | ضعيفة. النموذج يخلط بين حدود الكتل والبنية الحقيقية |
| ضبابية الحركة أو اهتزاز الكاميرا | ضعيفة. تضيع معلومات الشكل، وليس الدقة فقط |
| أفلام ممسوحة ضوئيًا بحبيبات | متغيرة. تعتمد بشدة على بيانات تدريب النموذج |
| لقطة شاشة أو تسجيل شاشة | جيدة. بكسلات نظيفة، وتباين قوي، وحواف محددة |
| صورة ويب مُخفَّضة الدقة بشدة | ضعيفة. تراكم عدة مرات لإعادة أخذ العينات يضاعف الأخطاء |
تنتج الموضوعات المختلفة نتائج مختلفة جدًا، حتى من النموذج نفسه وبعامل التكبير نفسه، على صور متقاربة في الجودة الأصلية:
مصطلح "الهلوسة" مستعار من المصطلحات الأوسع في الذكاء الاصطناعي. وفي رفع الدقة، يصف الحالة التي يضيف فيها النموذج تفاصيل تبدو معقولة لكنها غير صحيحة من الناحية الواقعية مقارنةً بالمشهد الأصلي.
المثال الأوضح: ترفع دقة صورة لشخص يرتدي قميصًا مطبوعًا. الصورة الأصلية منخفضة الدقة جدًا بحيث لا تُظهر الطباعة بوضوح. يختلق الذكاء الاصطناعي نقشًا للقماش يبدو واقعيًا، لأنه عالج آلاف القمصان المطبوعة بدقة عالية ويعرف شكلها المعتاد. لكن النقش الذي يختلقه لا يشبه النقش الموجود فعلًا على القميص. من لا يعرف الصورة الأصلية لن يلاحظ ذلك. ومن يعرفها سيرى فورًا أنه خاطئ.
لهذا يثير رفع الدقة بالذكاء الاصطناعي الجدل في التطبيقات الجنائية والصحفية والأرشيفية. المخرجات معقولة جماليًا لكنها غير دقيقة من حيث الواقع. الصفتان ليستا الشيء نفسه.
ثلاث فئات تظهر فيها الهلوسة بأوضح شكل وبأكبر قدر من العواقب:
الوجوه: يضيف الذكاء الاصطناعي ملمس الجلد وتفاصيل المسام وحدّة الرموش بطريقة تبدو واقعية بشكل لافت. في تصوير البورتريه يكون هذا مرغوبًا في كثير من الأحيان. أما في التحقق من الهوية أو التوثيق، فيتحول إلى عبء، لأن الملامح المضافة مختلقة وليست مستعادة.
النصوص: النصوص الصغيرة تتشوّه دائمًا تقريبًا في الصور المرفوعة الدقة. يرى النموذج الشكل التقريبي للحرف ويعيد بناء ما يظن أن الحرف كان عليه. تظهر أحرف خاطئة بانتظام. لا تعتمد أبدًا على نص مرفوع الدقة لضمان دقة المعلومات في أي سياق.
الأنماط الدقيقة: نسج الأقمشة وشبك الأسيجة والمعادن المثقّبة وملمس الشاشات كلها تُحدث تداخلًا (aliasing) عند رفع الدقة. يتعارض التردد المتكرر للنمط مع شبكة البكسلات، فينتج رنينًا وتموجًا (moiré) ظاهرين حول الحواف.
💡 إذا كانت الدقة أهم من المظهر، فاستخدم المصدر الأصلي منخفض الدقة، لا النسخة المرفوعة الدقة.
يُعد Real-ESRGAN من أكثر بنى رفع الدقة مفتوحة المصدر انتشارًا. يستخدم بنية الشبكات التوليدية التنافسية (GAN)، حيث يُنتج المولّد مخرجات عالية الدقة، ويعاقب المميّز أي شيء لا يبدو واقعيًا فوتوغرافيًا. يتدرب النموذج على تدهورات اصطناعية، تشمل الضبابية والضوضاء وآثار JPEG ومزيجًا من الثلاثة، فيتعامل مع المدخلات الفوضوية التي تقدمها الصور الواقعية.
قوة هذا الأسلوب هي جودة المخرجات. تظهر الصور حادة ومفصّلة، مع بنية حبيبية طبيعية وملمس سطحي واقعي. أما الثمن فهو تفاصيل مهلوسة أحيانًا، خاصةً في الوجوه والنصوص، لأن وظيفة المولّد أن يبدو الناتج حقيقيًا، لا أن يكون دقيقًا.
يبني Crystal Upscaler على هذه البنية مع تعديلات مضبوطة لأعمال البورتريه، فيقلّل ميل الصور إلى الإفراط في الشحذ ويحسّن الدقة حول انتقالات الجلد. ويدفع Clarity Pro Upscaler الشحذ الإبداعي أبعد، فيضيف ملمسًا مرئيًا يجعل الصور تبدو أكثر تفصيلًا، مع انحراف أكبر قليلًا عن المصدر.
تعامل أدوات رفع الدقة الانتشارية الأحدث رفع الدقة كمشكلة توليدية وليس كمشكلة انحدار. تبدأ من نسخة مشوّشة من المدخل منخفض الدقة وتزيل التشويش منها تكراريًا باتجاه مخرج عالي الدقة، مسترشدةً بالبكسلات الأصلية لكن دون أن تتقيّد بها بصرامة.
يستخدم Recraft Creative Upscale هذا الأسلوب لإضافة عمق وتفاصيل مختلقة عند التكبير العالي. تبدو النتائج أغنى من المخرجات القائمة على GAN، لكنها تنحرف أكثر عن المصدر. وهذا يناسب المشاريع الإبداعية التي يكون هدفها صورة عالية الجودة، لا تكبيرًا أمينًا.
يسلك Recraft Crisp Upscale النهج المعاكس، فيعطي الأولوية للأمانة للأصل على حساب إضافة الملمس الإبداعي. وهو الخيار الأفضل عندما تحتاج إلى أن تطابق الصورة المكبّرة ما كان موجودًا فعلًا داخل الإطار.
لأعلى عوامل التكبير، يدعم Image Upscale by Topaz Labs تكبيرًا يصل إلى 6x مع حفاظ قوي على التفاصيل، ويقدّم Google Upscaler نتائج 4x نظيفة بأقل قدر من تشوهات المعالجة. وللرفع السريع والعام لأي نوع من الصور، ينتج P Image Upscale نتائج حادة في نحو ثانية واحدة. وللصور القديمة أو التالفة، صُمّم Increase Resolution by Bria خصيصًا لحالات الترميم.
يتيح لك PicassoIA الوصول إلى تسعة نماذج لتحسين الدقة في مكان واحد. إليك كيفية اختيار النموذج المناسب لمدخلك:
| حالة الاستخدام | النموذج الموصى به |
|---|---|
| صور عامة، أي موضوع | P Image Upscale |
| تصوير البورتريه والوجوه | Crystal Upscaler |
| أقصى قدر من التفاصيل مع ملمس إبداعي | Clarity Pro Upscaler |
| صور قديمة أو تالفة أو ممسوحة ضوئيًا | Increase Resolution |
| تكبير 6x كحد أقصى | Image Upscale |
| البقاء قريبًا من التفاصيل الأصلية | Recraft Crisp Upscale |
| إضافة عمق إبداعي | Recraft Creative Upscale |
| تكبير 4x نظيف بدون تشوهات | Google Upscaler |
💡 قيّم الصور المرفوعة الدقة دائمًا بتكبير 100%. الصور المصغّرة تجعل كل شيء يبدو حادًا. المشكلات لا تظهر إلا عند التكبير الكامل.
يقدّم رفع الدقة بالذكاء الاصطناعي نتائج حقيقية عندما:
تجنّب رفع الدقة بالذكاء الاصطناعي، أو استخدمه بحذر، عندما:
تحسين عملي لسير العمل مع المصادر التالفة: شغّل أدوات الترميم في PicassoIA على الصورة المصدر قبل تطبيق رفع الدقة. تسلسل التنظيف أولًا ثم رفع الدقة يتفوق تقريبًا دائمًا على رفع دقة مصدر تالف مباشرةً.
تأتي جودة المخرجات المتسقة من جودة المدخلات المتسقة. هذه الخطوات تحسّن النتائج بشكل موثوق قبل أن تمرر أي شيء عبر نموذج رفع الدقة:
نادرًا ما يكون الناتج الخام من نموذج رفع الدقة هو الخطوة الأخيرة. التصحيحات الشائعة التي تحسّن النتيجة المرفوعة الدقة:
تنشأ فجوة الإدراك حول رفع الدقة بالذكاء الاصطناعي من طريقة انتقاء العروض التوضيحية. إنها تعرض دائمًا تقريبًا أفضل السيناريوهات: صورة فوتوغرافية نظيفة ومعرّضة جيدًا لشخص، وضغط ضئيل، وعامل تكبير معتدل. وفي ظل هذه الظروف، تبدو النتائج مذهلة فعلًا.
المدخلات الواقعية أكثر فوضوية. لقطات شاشة محفوظة من المنصات الاجتماعية، وشرائح ممسوحة بها غبار وخدوش، وصور حفلات موسيقية من عام 2014، وصور هاتف في الإضاءة الخافتة مع تقليل ضوضاء عدواني مدمج فيها. هذه هي المدخلات التي يعمل عليها معظم الناس فعلًا، وليست المدخلات التي تعرضها العروض التوضيحية.
معرفة ما يفعله الذكاء الاصطناعي فعلًا، أي التنبؤ بتفاصيل معقولة استنادًا إلى أنماط إحصائية، تساعد على ضبط التوقعات بدقة. ستحصل على نتائج قوية باستمرار عندما تبدأ بمدخلات نظيفة وأهداف تكبير واقعية. وستحصل على نتائج متقلبة أو مخيّبة عندما تطلب من النموذج أن يعيد بناء معلومات لم تكن موجودة من الأساس.
الفرق بين نموذج "يعمل" وآخر "لا يعمل" لصورك غالبًا لا يكون في النموذج نفسه. بل في حالة المصدر.
مع ذلك، فإن النماذج التسعة المتاحة على PicassoIA تغطي مجموعة واسعة من أنواع المدخلات والأهداف. تمرير الصورة المصدر نفسها عبر Real-ESRGAN وCrystal Upscaler وTopaz Image Upscale في الوقت نفسه، ثم مقارنة المخرجات بتكبير 100%، طريقة سريعة وعملية لإيجاد الأنسب لأي صورة بعينها. كل نموذج يراهن برهانات إحصائية مختلفة على ما كانت التفاصيل المفقودة على الأرجح، ورؤية هذه الرهانات المختلفة جنبًا إلى جنب هي أسرع طريق إلى حدس موثوق حول أي نموذج تلجأ إليه أولًا.
أسرع طريقة لبناء حدس حقيقي حول ما يستطيع رفع الدقة بالذكاء الاصطناعي فعله وما لا يستطيعه هي تمرير صورك الخاصة عبر عدة نماذج مختلفة ومقارنة النتائج بالتكبير الكامل. لا يمكن لأي قدر من القراءة أن يحلّ محل التجربة المباشرة مع صور تعرفها جيدًا.
يضع PicassoIA النماذج التسعة لتحسين الدقة جميعها في مكان واحد، فيمكنك مقارنة Real-ESRGAN مع Google Upscaler مع Topaz Image Upscale دون تبديل الحسابات أو المنصات. ويمكنك كذلك الانتقال بين P Image Upscale للاختبارات السريعة و Clarity Pro Upscaler عندما تريد دفع التفاصيل الدقيقة إلى أبعد حد ممكن.
ابدأ بصورة تعرفها جيدًا، شيء تتذكر فيه شكل الموضوع الحقيقي في الواقع. هذه النقطة المرجعية تجعل من الواضح فورًا أين اختلق الذكاء الاصطناعي تفاصيل معقولة لكنها خاطئة، وأين أصاب فعلًا في المخرجات. بعد بضع جلسات، ستملك فكرة واضحة عن النماذج التي تناسب كل نوع من المدخلات، وستوفّر عليك هذه المعرفة العملية وقتًا كبيرًا في مشاريعك الفعلية.
زر picassoia.com/en/all-models لتصفح كامل تشكيلة تحسين الدقة وتشغيل أول صورة لك.
اختر لغتك
