Upscaling

Okt. 1, 2025

—

von

Philipp: Schweizer KI Akademie

Einfach erklärt (Super‑Resolution) in der KI

Upscaling (auch: Super‑Resolution) bedeutet, dass KI ein niedrig aufgelöstes Bild/Video so hochrechnet, dass mehr Details und Schärfe sichtbar werden – oft mit 2× oder 4× Vergrößerung. Moderne Verfahren können fehlende Strukturen plausibel ergänzen (Texturen, Konturen), statt nur zu interpolieren. In der Computer Vision ist Upscaling ein Standardbaustein für Bild‑/Video‑Pipelines.

Fotos restaurieren: Alte/kleine Bilder werden auf 4× vergrößert und natürlicher detailreich (Haut, Stoffe, Kanten).
Produkt/Marketing: Kleine Produktshots werden für Web/Print skaliert; generative Modelle wie Stable Diffusion bieten dafür spezielle Upscaler.
Video‑Workflows: Clips werden für Social/TV auf 4K/8K hochgerechnet; siehe KI‑Videoproduktion.

Warum Upscaling? Bessere Lesbarkeit (Text/Logos), Qualität bei niedriger Bandbreite, Wiederverwertung älterer Assets, Konsistenz über Formate.

Professionelle Definition

Single‑Image Super‑Resolution (SISR) und Video Super‑Resolution (VSR) nutzen lernende Modelle, um aus LR‑Eingaben (low resolution) eine HR‑Ausgabe (high resolution) zu schätzen. Moderne Ansätze umfassen CNN‑basierte (z. B. SRGAN/ESRGAN), Diffusions‑basierte (z. B. SR3) und Transformer‑basierte Architekturen. Trainingsziele kombinieren Pixel‑Verluste (L1/L2), perzeptuelle Verluste (Feature‑Space, z. B. VGG/LPIPS) und adversarielle Verluste (GAN), oft mit realitätsnäherer Degradations‑Modellierung (Blur, Rauschen, Kompression). Qualität wird u. a. über PSNR/SSIM (Treue) und LPIPS (Wahrnehmung) bewertet. Diffusions‑Upscaler (z. B. x4) werden in Latent‑Diffusions‑Pipelines kaskadiert, um hochauflösende Ergebnisse effizient zu erzeugen.