Real-ESRGAN
Real-ESRGAN, Tencent ARC Lab'da Xintao Wang ve işbirlikçileri tarafından geliştirilen, düşük çözünürlüklü, bozulmuş veya sıkıştırılmış görselleri dikkat çekici detay kurtarmayla yüksek çözünürlüklü çıktılara dönüştüren açık kaynak görsel büyütme ve restorasyon modelidir.
Öne Çıkan Özellikler
Gercek Dunya Bozulma Modelleme
Bulaniklik, gurultu, sikistirma artefaktlari ve halkalama gibi gercek dunya goruntu bozulmalarini simule eden yuksek dereceli bozulma egitim sureci
Ozellestirilmis Model Varyantlari
Fotograflar, anime/illustrasyon ve yuz iyilestirme icin ayri optimize edilmis modeller sunarak farkli kullanim senaryolarina uygun cozumler saglar
Genis Ekosistem Entegrasyonu
Upscayl, Replicate, Hugging Face ve bircok goruntu isleme aracina entegre edilmis olup en yaygin kullanilan super cozunurluk cozumudur
Hizli ve Verimli Cikarim
Makul donanim gereksinimleriye hizli cikarim hizi sunarak tuketici GPU'larinda bile pratik kullanim icin uygun performans saglar
Hakkında
Real-ESRGAN (Gercek Dunya Gelistirilmis Super Cozunurluk Uretici Celismeli Ag), Tencent ARC Lab'da Xintao Wang ve isbirlikcileri tarafindan gelistirilen, acik kaynakli bir goruntu buyutme ve iyilestirme modelidir. 2021 yilinda tanitian bu model, orijinal ESRGAN'in sinirlamalarini asarak gercek dunya goruntuleri uzerinde ustun performans saglar. Model, sentetik olarak olusturulmus bozulma pipeline'lari kullanarak egitilmistir ve bu sayede bulaniklik, gurultu, sikistirma artefaktlari ve diger gercek dunya bozulmalarini etkili bir sekilde giderebilir. Goruntu buyutme alaninda en cok referans gosterilen ve kullanilan modellerden biri olma ozelligini tasimaktadir.
Real-ESRGAN'in teknik mimarisi, RRDB (Residual in Residual Dense Block) omurgasina dayanir. U-Net tabanli bir ayirt edici ag kullanarak daha iyi doku uretimi ve daha az artefakt elde eder. Modelin en onemli yeniligi, ikinci dereceden bozulma surecini modellemesidir; bu surecte bulaniklik, yeniden boyutlandirma, gurultu ve JPEG sikistirma gibi islemler ardisik olarak uygulanarak gercek dunya kosullarini taklit eden egitim verileri olusturulur. Bu yaklasim, modelin laboratuvar ortaminda degil, gercek hayatta karsilasilan goruntu kalitesi sorunlariyla basa cikabilmesini saglar. Sinc filtreleri ve ring artefaktlari gibi karmasik bozulma turlerini de basariyla modeller ve giderir.
Model, cesitli kullanim alanlarina hitap eden farkli varyantlarla sunulur. RealESRGAN_x4plus genel amacli goruntu buyutme icin optimize edilmisken, RealESRGAN_x4plus_anime ozellikle anime ve cizim tarzi gorseller icin ince ayar yapilmistir. Ayrica RealESRGAN_x2plus gibi 2x buyutme secenekleri de mevcuttur. Video buyutme icin de kullanilabilen model, realesrgan-ncnn-vulkan implementasyonu sayesinde GPU hizlandirmali islem yapabilir ve NVIDIA, AMD ve Intel GPU'larinda verimli calisir. Her varyant, hedef icerik turune ozel egitim ile optimize edilmistir ve kullanicilar ihtiyaclarina gore en uygun modeli secebilirler.
Uygulama alanlari son derece genistir. Fotograf restorasyonu, eski aile fotograflarinin iyilestirilmesi, dusuk cozunurluklu web gorsellerinin buyutulmesi, e-ticaret urun fotograflarinin kalitesinin arttirilmasi ve dijital sanatta detay eklenmesi gibi pek cok senaryoda kullanilir. Sosyal medya icin gorsel iyilestirme, baski oncesi hazirlik ve arsiv materyallerinin dijitallestirme surecleri de yaygin kullanim alanlari arasindadir. Modelin hizi ve kalitesi, onu profesyonel is akislarina entegre etmeyi kolaylastirir. Oyun tekstur buyutme ve duvar kagidi hazirlama gibi gunluk gorevlerde de sikca tercih edilen bir aractir.
Real-ESRGAN, topluluk tarafindan genis capta benimsenmi ve pek cok uygulamaya entegre edilmistir. Upscayl, ChaiNNer ve AUTOMATIC1111'in Stable Diffusion web arayuzu gibi populer araclar Real-ESRGAN'i arka planda kullanir. Python API'si, komut satiri araci ve cesitli platformlar icin onceden derlenmi ikili dosyalar sunulmaktadir. BSD-3 lisansi altinda yayinlanan model, ticari projelerde de serbestce kullanilabilir ve bu durum endustriyel benimsenmesini hizlandirmistir.
Performans acisindan degerlendirildiginde, Real-ESRGAN ozellikle gercek dunya goruntuleri uzerinde diger super cozunurluk modellerine kiyasla daha az artefakt uretir ve daha dogal dokular olusturur. Anime modeli ise cizgi film ve anime gorsellerinde kenar netligini korurken yumusak renk gecislerini basariyla surdurmektedir. GPU destegi sayesinde yuksek cozunurluklu goruntulerde bile makul islem sureleri sunar. PSNR, SSIM ve LPIPS gibi standart metrikler uzerinde rekabetci performans sergileyen model, algisal kalite testlerinde de tutarli sonuclar verir. Modelin surekli guncellenen topluluk destegi ve genis ekosistemi, onu goruntu buyutme alaninda fiili standart haline getirmistir.
Kullanım Senaryoları
Eski Fotograf Restorasyonu
Dusuk cozunurluklu veya bozulmus eski aile fotograflarini ve arsiv goruntuleri restore ederek yuksek kaliteli versiyonlar elde etme
E-Ticaret Goruntu Iyilestirme
Urun fotograflarini buyuterek ve netletirerek e-ticaret platformlarinda daha profesyonel gorsel sunumlar olusturma
Anime ve Illustrasyon Buyutme
Dusuk cozunurluklu anime ve illustrasyon goruntuleri ozel model ile buyuterek keskin ve temiz sonuclar elde etme
Video Kare Buyutme
Eski veya dusuk cozunurluklu videolarin karelerini tek tek buyuterek video kalitesini artirma
Artılar ve Eksiler
Artılar
- Görsel kalitesini koruyarak ve iyileştirerek 8x çözünürlük yükseltme kapasitesi
- Gürültü ve sıkıştırma artifaktlarını etkili biçimde azaltır; gerçekçi dokular oluşturarak daha keskin görseller üretir
- Ucuz GPU'larda bile hızlı çalışır (Nvidia T4'te 2x yükseltme ~1.8 saniye)
- Yüz iyileştirme modu ile portre kalitesini doğal görünümle artırır
- Eski fotoğraflar, düşük çözünürlüklü, bulanık, gürültülü, sıkıştırılmış ve anime görseller dahil geniş yetenek; ücretsiz ve açık kaynak
Eksiler
- Aşırı sıkıştırılmış veya çok düşük kaliteli görsellerde zorlanabilir
- Yoğun karo (tiling) kullanımında blok tutarsızlıkları oluşabilir
- Bağımlılık kurulumları ile yeni başlayanlar için öğrenme eğrisi mevcut
- GPU ağırlıklı masaüstü deneyimi; henüz sağlam mobil portları yok
- AESRGAN gibi dikkat modülasyonlu yeni modeller ince yüz detaylarını daha iyi koruyabilir
Teknik Detaylar
Parametre
N/A
Mimari
U-Net with RRDB (Residual-in-Residual Dense Block) generator
Eğitim Verisi
High-order degradation model simulating real-world image degradations on DIV2K, Flickr2K, OST datasets
Lisans
BSD
Özellikler
- 2x and 4x Super-çözünürlük
- Real-World Degradation Handling
- Anime-Specific Model Variant
- GFPGAN Face iyileştirme entegrasyon
- U-Net Discriminator Architecture
- BSD-3-Clause Açık kaynak License
Benchmark Sonuçları
| Metrik | Değer | Karşılaştırma | Kaynak |
|---|---|---|---|
| Max Scale Factor | 4x (standard), up to 10x | — | GitHub xinntao/Real-ESRGAN |
| PSNR | 24.97 dB | ESRGAN: 24.14 dB | Comparative Analysis (NHSJS 2025) |
| SSIM | 0.76 | ESRGAN: 0.72 | Comparative Analysis (NHSJS 2025) |
Mevcut Platformlar
Haberler ve Referanslar
Sıkça Sorulan Sorular
İlgili Modeller
CodeFormer
İzinli bir portre restorasyonu için CodeFormer’i değerlendirin: aslına bağlılık ayarlarını, yüz değişikliklerini, yeniden yerleştirmeyi ve ticari olmayan S-Lab lisansını inceleyin.
FidelityFx Super Resolution
FidelityFX Super Resolution (FSR), AMD tarafından geliştirilen, özellikle video oyunları olmak üzere gerçek zamanlı render uygulamalarında performansı artırmak için tasarlanmış açık kaynaklı mekansal büyütme teknolojisidir. NVIDIA'nın özel Tensor Core gerektiren DLSS'inin aksine, FSR donanımdan bağımsız çalışır ve AMD, NVIDIA, Intel GPU'larında hatta entegre grafiklerde bile sorunsuz kullanılabilir. Teknoloji birden fazla nesil boyunca evrilmiştir: FSR 1.0 tek kare üzerinde Lanczos tabanlı mekansal büyütme kullanırken, FSR 2.0 hareket vektörleri ve önceki kare verilerinden yararlanan zamansal büyütme ile neredeyse yerel çözünürlük kalitesi sunmuş, FSR 3.0 ise optik akış tabanlı kare üretimi ekleyerek algılanan kare hızını dramatik biçimde artırmıştır. Ultra Quality'den Ultra Performance'a uzanan beş farklı kalite modu, kullanıcılara görsel sadakat ile 2x ve üzeri performans kazanımı arasında denge kurma imkanı tanır. FSR; DirectX 11, DirectX 12 ve Vulkan API'lerini destekler ve PC platformlarının yanı sıra Xbox, PlayStation ve Steam Deck gibi taşınabilir cihazlarda da yaygın biçimde kullanılır. Cyberpunk 2077, Starfield ve Hogwarts Legacy dahil yüzlerce büyük yapım FSR entegrasyonu sunar; Unreal Engine ve Unity oyun motorları düzeyinde doğrudan destek sağlayarak geliştirici benimsemesini kolaylaştırır. MIT lisansı ile AMD'nin GPUOpen platformunda yayınlanan FSR, geliştiricilere ve araştırmacılara şeffaf işbirliği ve modifikasyon imkanı sunar. Platform bağımsızlığı ve açık kaynak yapısı, onu oyun endüstrisinde en yaygın kullanılan görsel büyütme çözümlerinden biri haline getirmiştir.
StableSR
StableSR, Jianyi Wang ve işbirlikçileri tarafından geliştirilen, gerçekçi detay sentezi ile yüksek kaliteli görsel büyütme için önceden eğitilmiş bir Stable Diffusion modelinin üretken öncülünden yararlanan yenilikçi bir süper çözünürlük modelidir. 2023'te Apache 2.0 lisansı altında yayınlanan StableSR, difüzyon tabanlı üretken modellerin görsel süper çözünürlük görevine ilk başarılı uygulamalarından birini temsil eder. Model düşük çözünürlüklü giriş görselinden bilgiyi her zaman adımında Stable Diffusion gürültü giderme sürecine enjekte eden zaman farkındalıklı bir kodlayıcı ile orijinal görsele sadakat ve üretilen detayların zenginliği arasında denge kuran kontrol edilebilir özellik sarma modülü tanıtır. Bu mimari StableSR'nin geleneksel regresyon tabanlı süper çözünürlük yöntemlerinin elde edemeyeceği dikkat çekici derecede gerçekçi dokular ve ince detaylarla büyütülmüş görseller üretmesini sağlar. Kontrol edilebilir özellik sarma kullanıcıların üretken iyileştirmenin gücünü ayarlamasına olanak tanır ve girdiye yakından uyan muhafazakar restorasyondan daha fazla sentezlenmiş detay ekleyen agresif iyileştirmeye kadar bir yelpaze sunar. StableSR fotoğraflar, sanat eserleri, ekran görüntüleri ve metin içeren görseller dahil çeşitli görsel türlerini işler ve özellikle cilt, saç, kumaş ve yaprak gibi doğal dokuları restore etmede güçlüdür. Model kod ve önceden eğitilmiş ağırlıkları GitHub üzerinde mevcut olan tamamen açık kaynaklıdır ve mevcut Stable Diffusion altyapısıyla uyumludur. StableSR düşük çözünürlüklü görselleri restore eden fotoğrafçılar, referans materyali büyüten dijital sanatçılar ve sınırlı kaynak görsellerinden yüksek çözünürlüklü çıktılara ihtiyaç duyan içerik üreticileri için değerlidir. Difüzyon tabanlı yaklaşımı üretken süper çözünürlük yöntemlerindeki sonraki araştırmaları etkilemiştir.
SUPIR
SUPIR restorasyonunu aynı girdide Q/F ve açıklama karşılaştırmalarıyla değerlendirin; uydurulmuş ayrıntıyı inceleyip denemeden önce ağırlık izinlerini netleştirin.
Hızlı Bilgi
U-Net with RRDB (Residual-in-Residual Dense Block) generator