Super Resolución

Document




No salga de la página hasta que termine el proceso, gracias.

Una vez terminado le aparecerá un botón para descargar la imagen.

Compra nuestra versión Super AI Resolution para poder usar nuestra herramienta a todas horas durante 1 mes

¿Super Resolución?

La super resolución de imágenes se refiere a la tarea de mejorar la resolución de una imagen de baja resolución (LR) a alta (HR). Habitualmente se usa en las siguientes apliaciones:

1. Vigilancia. En la detección, identificación y reconocimiento facial en imágenes de baja resolución obtenidas de cámaras de seguridad.

2. Medicina. La captura de imágenes de alta resolución por resonancia magnética puede ser complicada en lo que respecta al tiempo de exploración, la cobertura espacial y la relación señal/ruido (SNR). La superresolución ayuda a resolver esto generando una resonancia magnética de alta resolución a partir de imágenes de resonancia magnética que de otro modo serían de baja resolución.

3. Medios de comunicación. La superresolución puede utilizarse para reducir los costes del servidor, ya que los medios de comunicación pueden enviarse a una resolución más baja y aumentarse sobre la marcha.

Imagen pequeña introducida en nuestra herramienta de Super Resolución.

La imagen consta de una resolución de:  459 x 309 píxeles. En caso de que nos pusieramos a escalar la imagen, usando las típicas herramientas, esto provocaría una pérdida inmensa de la calidad de nuestra imágen.

Resolución Imagen: 459 x 309 píxeles

Resolución Imagen: 1606 x 1081 píxeles

Sin embargo, ¿Qué ocurre al usar nuestra IA?

Como se puede observar se ha aumentado considerabelemente la resolución de la foto, obteniendo una imagen con una mayor cantidad de píxeles y todo ello sin provocar una pérdida de calidad de la imagen o un resultado borroso, fallo típico que nos encontrariamos al escalar la imagen a mano.

En el estado del arte, la mayoría de las herramientas de super resolución se basan en arquitecturas de deep learning que combinan diferentes redes neuronales convolucionales o residuales para extraer la información con la que refinan la imagen. Este tipo de redes están especialmente diseñadas para el tratamiento de imagen y por eso históricamente han sido un claro vehículo para esta tarea. Nuestro modelo se basa en un concepto evolucionado, la GAN (red adversaria generativa), que permite generar nuevos píxeles en función de las imágenes que se introducen para optimizar la calidad perceptiva.