SISR (Single Image Super-Resolution)

SISR (Single Image Super-Resolution, супер-разрешение по одному изображению) — задача восстановления изображения высокого разрешения (HR) из единственного изображения низкого разрешения (LR). Это самый распространённый вид super-resolution: на вход подаётся один кадр, и нейросеть должна «придумать» недостающие пиксели, опираясь только на то, что видит, плюс на закономерности, выученные при обучении на миллионах фото.

SISR против Multi-frame SR

• SISR: один кадр на входе. Информации мало, поэтому модель галлюцинирует детали — восстанавливает правдоподобные, но не всегда точные текстуры.
• Multi-frame / Video SR (VSR): несколько кадров (например, серия или соседние кадры видео). Реальная информация о субпиксельных сдвигах позволяет восстанавливать детали точнее, без домысливания.

Практически весь AI-апскейл фото — это SISR: у пользователя обычно есть ровно одна картинка, которую нужно увеличить.

Почему это некорректно поставленная задача

SISR — ill-posed problem: одному LR-изображению соответствует бесконечно много HR-вариантов. При уменьшении в 4 раза теряется 15/16 пикселей, и восстановить их однозначно невозможно. Поэтому модель выбирает «наиболее вероятный» вариант — и качество зависит от того, насколько удачным был обучающий датасет.

Эволюция подходов к SISR

• Интерполяция (bicubic, Lanczos) — 1990-е. Новых деталей не создаёт, только сглаживает.
• SRCNN (2014) — первая CNN для SISR, 3 свёрточных слоя.
• GAN-эра: SRGAN (2017), ESRGAN (2018), Real-ESRGAN (2021) — реалистичные текстуры за счёт состязательного обучения (GAN).
• Transformer-эра: SwinIR (2021) — attention вместо свёрток.
• Диффузионная эра: SeedVR2, StableSR — диффузионные модели дают лучший фотореализм в 2026.

Как измеряют качество SISR

• PSNR — пиксельная близость к эталону, но плохо коррелирует с восприятием: замыленное фото может иметь высокий PSNR.
• SSIM — структурное сходство.
• LPIPS / F-LPIPS — перцептивная метрика на признаках нейросети, лучше отражает «нравится ли человеку». Чем ниже, тем лучше.

SISR в PhotoPanda

Апскейл /upscale в PhotoPanda — это чистый SISR: вы загружаете одно фото, а на выходе получаете увеличенное в 2–4 раза с восстановленными деталями. Для портретов SISR комбинируется с восстановлением лиц — см. /restore-face, чтобы модель не «замыливала» глаза и кожу.

FAQ — SISR

Почему AI дорисовывает детали, которых не было?

Потому что SISR — ill-posed задача: восстановить утраченные пиксели однозначно нельзя, и модель подставляет наиболее вероятный по обучающим данным вариант. Это одновременно сила (реализм) и риск (неточность на важных деталях, например на тексте или лицах).

Multi-frame SR даёт лучше результат?

Да, при наличии нескольких кадров одной сцены — реальная субпиксельная информация лучше домысленной. Но для типового «увеличь это фото» доступен только один кадр, поэтому используется SISR.

Какой предел увеличения у SISR?

На практике качественно работает до 4×, изредка до 8×. Дальше модель домысливает слишком много и результат теряет достоверность.