用 Real-ESRGAN 拯救座机画质，自制高清版动漫资源

内容一览：Real-ESRGAN 是 ESRGAN 升级之作，主要有三点创新：提出高阶退化过程模拟实际图像退化，使用光谱归一化 U-Net鉴别器增加鉴别器的能力，以及使用纯合成数据进行训练。 关键词：Real-ESRGAN 超分辨率 视频修复本文首发自微信公众号：HyperAI超神经

相比于如今画面优良精美的新番，老动漫因时代的技术和设备限制，画质较差、分辨率低。但那些内容优质、童年经典的老动漫还是会被观众拿出来反复观看、「盘出包浆」。

每每经典的动漫视频被 4K 修复，在视频网站上的观看量都居高不下，高画质加上经典的内容足以让「双厨狂喜」。

B 站上的 4K 修复视频极受欢迎

本期教程介绍如何用 Real-ESRGAN 对动漫视频进行超分优化，修复视频画质。教程可用云平台 OpenBayes 运行，对设备配置没有依赖， 轻松享受 1080P 视频带来的快乐。

Real-ESRGAN：爱二次元的盲超分模型

传统动画制作时，动画师先手绘制作每一幅画面，再用摄像设备拍摄画面，将其扫描到计算机中进行数字化处理。拍摄设备的好坏、上传动画到视频平台的压缩及不可预测的噪音等复杂因素， 会影响到动画的图像效果。

真实世界中引起图像退化的原因非常复杂，这使得非盲的超分算法，如 ESRGAN，恢复图像的效果并不好。所以需要用盲超分 (Blind Super-Resolution) 为未知退化类型的低分辨率图像进行超分增强。

盲超分主要分为显式建模 (Explicit Modelling) 和隐式建模 (Implicit Modelling) 两类方法。

显式建模

将模糊核与噪声信息进行参数化，通过先验知识估计图像的退化过程，包括噪声、模糊、下采样和压缩。但简单地组合几种退化并不能很好地拟合现实世界的图像退化。

### 隐式建模

不依赖于任何显式参数，它利用额外的数据通过数据分布，隐式的学习潜在超分模型。

Real-ESRGAN 的作者将显式建模称为一阶建模。一阶的退化建模难以拟合复杂的退化，作者提出了一种高阶退化模型 (High-order Degradation Model)。 该模型中，n 阶模型包含 n 个重复的退化过程，每个过程都遵循经典模型：

x = Dn(y) = (Dn ◦ · · · ◦ D2 ◦ D1)(y)

论文中作者使用的是二阶退化过程，这既保持了简单性，又解决大多数实际问题。

Real-ESRGAN 完全使用合成数据训练。 在生成高清和低清数据对时，模型对输入的图像进行 4 倍下采样（ subsampled 或称缩小图像）之外，还继续进行 1 倍或 2 倍的下采样操作。

Real-ESRGAN 使用和 ESRGAN 完全一致的结构

为减小计算量，作者创新性地提出了 Pixel Unshuffle 操作， 令输入分辨率减小、通道增加。

在生成高清和低清的数据对时，论文使用模糊的 kernel 做卷积，之后对图像下采样 r 倍，加上噪声，最后做 jpeg 压缩。这些操作模仿了现实生活中图像在传播过程中多次压缩的情况。

Real-ESRGAN 采用多种图像退化方法

与 ESRGAN 相比，Real-ESRGAN 处理模糊图像的效果更佳，并在 2021 年 ICCV AIM 上获得荣誉论文提名奖。

代码详见

论文链接

## Real-ESRGAN 实操：让陈年老番变清晰

本教程将演示在 OpenBayes 上，用 Real-ESRGAN 算法实现图像增强，把老动画视频变清晰。

完整教程

第 1 步 环境准备

# !git clone https://github.com/xinntao/Real-ESRGAN.git
%cd Real-ESRGAN
!pip install basicsr
!pip install facexlib
!pip install gfpgan
!pip install ffmpeg-python
!pip install -r requirements.txt
!python setup.py develop

第 2 步 推理

# ! python inference_realesrgan_video.py -i inputs/video/onepiece_demo.mp4 -n RealESRGANv2-animevideo-xsx2 -s 4 -v -a --half --suffix outx2
! python inference_realesrgan_video.py -i /openbayes/home/results.mp4 -n RealESRGANv2-animevideo-xsx2 -s 4 -v --half --suffix outtsx2
# 参数
# -i, --input: 输入视频
# -n, --model_name: 使用的模型名字
# -s, --outscale: 放大尺度
# -v, --video: 将增强的帧转换回视频中
# -a, --audio: 将输入的音频复制到增强的视频中
# --half: 推理半精度
# -suffix: 输出视频的后缀

第 3 步 可视化

from IPython.display import HTML
from base64 import b64encode
def show_video(video_path, video_width = 600):
  video_file = open(video_path, "r+b").read()
  video_url = f"data:video/mp4;base64,{b64encode(video_file).decode()}"
  return HTML(f"""<video width={video_width} controls><source src="{video_url}"></video>""")
# 输入视频
show_video('inputs/video/onepiece_demo.mp4')

# 增强后的视频
show_video('results/onepiece_demo_outx2.mp4')

完整教程

具体处理效果及教程的视频讲解，点击查看

以上就是本期教程的全部内容，心动不如行动，你童年的梦中情番是什么？快克隆 OpenBayes 上的「Real-ESRGAN 动漫视频的超分辨率」教程，自制清晰视频吧~