KI-Bildvergrößerer
Machen Sie ein kleines oder unscharfes Bild mit KI größer und schärfer, direkt in Ihrem Browser.
KI-Bildvergrößerer wird geladen… Wenn nichts passiert, aktiviere JavaScript.
Wenn Sie ein Bild auf die übliche Weise vergrößern, hat das Programm nichts Neues, womit es arbeiten könnte: Es verteilt die vorhandenen Pixel auf eine größere Fläche und glättet die Lücken, sodass ein Vorschaubild mit 300 Pixeln, auf 1200 Pixel aufgeblasen, weich wirkt, mit verschwommenen Kanten und deutlich sichtbaren JPEG-Blöcken. Ein KI-Upscaler arbeitet anders. Er ist ein neuronales Netz, das mit Millionen Paaren aus kleinen und großen Bildern trainiert wurde. Es hat gelernt, wie scharfe Kanten, Haare, Text, Mauerwerk oder Blätter normalerweise aussehen, und zeichnet das vergrößerte Bild mit plausiblen Details statt mit Unschärfe neu. Dieses Werkzeug verwendet Swin2SR, ein offenes Super-Resolution-Modell, und führt es vollständig in Ihrem Browser aus. Ihre Bilder werden nie hochgeladen, es gibt kein Konto, kein Wasserzeichen und kein Tageslimit.
Häufig gestellte Fragen
Werden meine Bilder auf einen Server hochgeladen?
Was ist der Unterschied zwischen Photo x4 und Fast x2?
Kann KI-Upscaling Details zurückholen, die nie im Foto waren?
Warum gibt es eine maximale Bildgröße?
Warum ist es auf meinem Computer langsam?
Was passiert mit transparenten PNG-Bildern?
In welchem Format sollte ich herunterladen?
Muss ich das Modell jedes Mal herunterladen?
Über KI-Bildvergrößerer
Es gibt zwei Modi. Photo x4 macht das Bild viermal so breit und viermal so hoch (sechzehnmal so viele Pixel) und nutzt ein Modell, das mit echten Fotos trainiert wurde. Es entfernt dabei auch JPEG-Artefakte, Rauschen und leichte Unschärfe und ist damit die richtige Wahl für alte Handyfotos, Screenshots von vielfach gespeicherten Bildern oder zu klein geratene Produktfotos. Fast x2 verdoppelt die Größe mit einem viel leichteren Modell: Es ist schneller und eignet sich für Bilder, die bereits sauber sind, etwa Illustrationen, Logos und neuere Fotos, die nur etwas mehr Auflösung brauchen. Das Bild wird in kleinen, überlappenden Kacheln verarbeitet, die anschließend ineinander übergeblendet werden. So bleibt der Speicherbedarf niedrig genug für Smartphones und Laptops, und Sie können den Fortschritt verfolgen und jederzeit abbrechen.
Die Geschwindigkeit hängt stark von Ihrem Gerät ab. Browser mit WebGPU nutzen die Grafikkarte und schaffen ein typisches Bild in Sekunden; ohne sie läuft das Modell auf dem Prozessor, wo ein Bild mit 256 Pixeln in Fast x2 etwa 15 Sekunden und in Photo x4 rund eine Minute dauert. Deshalb hat jeder Modus eine maximale Eingabegröße: ohne Grafikkarte 512 Pixel pro Seite für x4 und 1024 für x2, mit WebGPU 1024 und 2048, was bereits Bilder mit bis zu 4096 Pixeln ergibt. Ziehen Sie nach der Verarbeitung den Schieberegler, um das KI-Ergebnis mit einer normalen Vergrößerung zu vergleichen, wechseln Sie zur Originalgröße, um Details zu prüfen, und laden Sie das Ergebnis als PNG, WebP oder JPEG herunter, einzeln oder alle zusammen als ZIP. Das Modell wird einmal von dieser Website geladen, und Ihr Browser speichert es für das nächste Mal.
„Vergrößern!“ Der liebste unmögliche Trick des Fernsehens
Seit Jahrzehnten zeigen Krimiserien Ermittler, die sich über einen Monitor beugen und „vergrößern“ sagen, bis aus einer verschwommenen Spiegelung in einer Sonnenbrille ein lesbares Kennzeichen wird. Ingenieure haben darüber gelacht, denn klassische Bildverarbeitung kann keine Information erzeugen, die der Sensor nie aufgenommen hat: Schärfefilter übertreiben nur Kanten, die ohnehin schon da sind.
Deep Learning hat die Diskussion verändert, allerdings nicht so, wie das Fernsehen es sich vorgestellt hatte. 2014 zeigte das SRCNN-Paper, dass ein kleines Faltungsnetz lernen kann, Bilder besser zu vergrößern als die bikubische Interpolation, und spätere Modelle, die mit adversarialen Verlustfunktionen trainiert wurden (etwa ESRGAN im Jahr 2018), erzeugten überzeugende Haare, Gräser und Stoffe. Der Haken: Diese Details werden aus den Trainingsdaten erraten, nicht wiederhergestellt, sodass zwei verschiedene Modelle aus denselben wenigen Pixeln zwei verschiedene Gesichter zeichnen können.
Swin2SR, das hier verwendete Modell, wurde 2022 veröffentlicht und baut auf dem Swin Transformer auf, der das Bild durch kleine, verschobene Fenster betrachtet. Seine Variante für echte Bilder wurde mit Fotos trainiert, die absichtlich mit Unschärfe, Rauschen und starker JPEG-Kompression beschädigt wurden. Deshalb kann es Bilder, die oft gespeichert und geteilt wurden, so gut bereinigen.