Ampliación con IA vs bicúbica: un benchmark de 28 imágenes

Toda herramienta de fotos promete ahora “mejorar”. La nuestra ejecuta Real-ESRGAN^[1], así que le debíamos una respuesta a una pregunta incómoda: cuando mides como mide la literatura de procesamiento de imágenes, ¿la IA supera de verdad a la simple interpolación bicúbica? El resultado es el tipo de respuesta más interesante (no, y también rotundamente sí), y la división entre esas dos respuestas tiene nombre en la literatura: el compromiso percepción–distorsión^[3]. Esta nota muestra el benchmark completo, incluido el caso en que la IA pierde estrepitosamente (el grano de película), y por qué publicamos de todos modos el modelo que pierde el benchmark clásico.

Cada cifra de esta nota se midió con el código del pipeline de producción: los mismos modelos, las mismas matemáticas. Registros brutos por imagen: e1_sr.json.

1 · Método

El corpus es la Kodak Lossless True Color Suite de 24 imágenes^[4] (el conjunto de referencia de 768×512 en el que la literatura de compresión y superresolución se ha apoyado durante tres décadas), más cuatro recortes de 768×512 de escaneos de alta resolución de fotografías históricas, incluida Madre migrante de Dorothea Lange, de 1936^[5], porque este sitio existe para fotos antiguas y las fotos antiguas tienen grano de película. Esa distinción decide la Sección 3.

Puntuamos tres cosas. Fidelidad, como relación señal-ruido de pico sobre RGB:

similitud estructural (SSIM^[2], luma, la ventana gaussiana estándar de 11×11, σ = 1.5, K₁ = 0.01, K₂ = 0.03):

y nitidez como la medida Tenengrad (magnitud media al cuadrado del gradiente de Sobel), expresada como cociente de restauración, Tenengrad(salida) ÷ Tenengrad(verdad de referencia). Un cociente de 1.0 significaría que la reconstrucción lleva tanta energía de bordes como la fotografía original.

2 · Resultados: el compromiso, en vivo

En la métrica que todo el mundo publica, la escalera clásica se comporta exactamente como predice la teoría del muestreo (cada núcleo mejor compra una fracción de decibelio), y Real-ESRGAN queda penúltimo:

*Entrada de 192×128, hardware de clase contenedor de 2 vCPU; los cocientes se trasladan, los milisegundos no. Si el PSNR fuera toda la historia, publicaríamos Lanczos-3 y borraríamos 4.9 MB de red neuronal. Pero traza cada método en el eje de fidelidad contra el eje de nitidez y el conjunto se divide en dos especies:

SSIM (diseñado para seguir la estructura percibida y no el error bruto^[2]) parte la diferencia y se pone, por poco, del lado del modelo: la mejor media del conjunto en general, y un 0.704 frente a 0.694 más claro en el subconjunto Kodak, donde domina la textura fina. ¿Por qué la interpolación no puede competir en nitidez? Porque todo núcleo clásico es un operador lineal e invariante al desplazamiento: solo puede redistribuir las frecuencias que sobrevivieron a la reducción, nunca crear las que no. El límite de Nyquist no es una sugerencia. Un prior GAN esquiva el límite cambiando la pregunta: de “¿qué señal produjo estas muestras?” (incontestable) a “de todas las imágenes naturales que se reducirían a esto, ¿cuál es la más plausible?”^[1] Y ahí vive exactamente también su riesgo: plausible no es verdadero.

3 · El problema del grano de película, cuantificado

Los promedios esconden el hallazgo más útil. Divide el corpus y los deltas de PSNR por imagen (Real-ESRGAN − Lanczos-3) son claramente bimodales: en fotogramas modernos limpios el modelo está a menos de un decibelio (supera a Lanczos directamente en uno, +0.15 dB); en los cuatro escaneos históricos de película pierde catastróficamente: las medias del subconjunto son 28.75 frente a 32.12 dB:

Bajo una lupa los números se vuelven obvios: el escaneo de referencia es un muro de grano honesto, y el modelo devuelve porcelana. En Madre migrante cae 1.71 dB y 0.064 de SSIM, y algunos espectadores seguirán prefiriendo la salida limpia. Las métricas no son gusto; son un contrato sobre qué gusto estás optimizando. Esta medición es la razón por la que la etapa de mejora omite las fotos ya cercanas a su objetivo de resolución (un escaneo de archivo de alta resolución conserva sus píxeles nativos y su grano), y por la que nuestro renderizado facial vuelve a mezclar el grano propio de la fotografía sobre las caras restauradas en lugar de entregar la porcelana del modelo.

4 · Limitaciones

• Sin métrica perceptual aprendida. LPIPS o DISTS afinarían el eje de percepción; Tenengrad es un sustituto honesto pero más simple. Los registros brutos están publicados para que cualquiera pueda volver a puntuar.
• Una sola degradación. La bicúbica ×4 es el protocolo estándar y el caso más amable; los escaneos reales añaden núcleos de desenfoque, JPEG y ruido (la nota facial usa la pila de corrupción completa).
• N = 28: de sobra para estos tamaños de efecto (el orden es estable bajo leave-one-out), poco para afirmaciones por subgrupos más allá de la división por grano.

5 · Conclusión

Medida como reconstrucción de señal, la superresolución con IA es un interpolador peor que Lanczos-3: 1.07 dB peor aquí, exactamente como predice el compromiso percepción–distorsión^[3]. Medida como reconstrucción de una fotografía (estructura, energía de bordes y tus ojos) no hay comparación, en la otra dirección. La lectura práctica para tu caja de zapatos: para las fotos que van a ver personas, el modelo es la opción por defecto correcta; para los másteres de archivo, donde cada partícula de grano es evidencia, conserva también el escaneo en bruto. La herramienta de restauración está construida exactamente en torno a esa división.