Das zuvor getestete Desktopwerkzeug läuft auf dem Algorithmus, um den es hier geht. Das Projekt ist keine Anwendung, sondern ein Paper mit Referenzimplementierung: Die eigene Beschreibung nennt das Ziel, praktische Verfahren für allgemeine Bild- und Videorestaurierung zu entwickeln, erreicht dadurch, dass ein früherer generativer Ansatz zu einer Fassung erweitert wird, die mit Degradationen der echten Welt zurechtkommt — trainiert ausschließlich auf synthetisch erzeugten Daten. Genau so wird es benutzt: Eine Schar grafischer Produkte packt es in etwas sofort Lauffähiges, und wer direkt dagegen programmiert, ist vermutlich nicht die Mehrheit.

Drei Wege, nach Lust am Basteln gewählt

Offiziell gibt es drei. Der erste verlangt nichts: gehostete Vorführungen, zwei Einstiege sind aus dem Repository verlinkt, sodass man das Ergebnis vor jeder Installation beurteilen kann — in den Anfangstagen gab es zusätzlich eine offizielle Demo-Seite. Der zweite ist eine portable Ausführungsdatei auf Basis von ncnn, für Windows, Linux und macOS, Grafikkarten aller drei großen Hersteller abdeckend, mit allen Abhängigkeiten und Modellen im Inneren, sodass weder ein Beschleunigerpaket noch eine Python-Umgebung nötig ist: herunterladen, doppelklicken, fertig — zum Preis weniger Funktionen als der Skriptweg. Der dritte ist der Python-Weg für alle, die es in die eigene Verarbeitung einbauen wollen: Python 3.7 oder neuer, ein Deep-Learning-Framework ab Version 1.7, dazu einige Hilfspakete, danach steht die Kommandozeile bereit, mit beliebigem Ausgabefaktor — das Modell liefert ein Bild, danach folgt eine zweite Skalierung — und einem Schalter für Gesichtsverbesserung, der die Gesichtsrestaurierung direkt aufruft.

Modelle und Parameter: mehr Schrauben als erwartet

Die portable Fassung bringt mehrere Modelle hinter einem Namensparameter mit. Das allgemeine x4plus ist die Vorgabe; dazu kommen eine mit anderer Verlustfunktion trainierte Variante, ein Modell für Anime-Illustrationen und eines für Anime-Video. Neben der Modellwahl verdienen mehrere Parameter Aufmerksamkeit: Der Skalierungsfaktor kann 2, 3 oder 4 sein; die Kachelgröße steuert den Speicherbedarf, eine schwache Maschine schneidet also kleinere Blöcke; bei mehreren Karten lässt sich auswählen, welche arbeitet; die Thread-Verteilung über Laden, Verarbeiten und Speichern ist einstellbar, was Stapel kleiner Bilder beschleunigt; ein Modus mit Testzeit-Augmentierung hebt die Qualität weiter, kostet aber Tempo; und die Ausgabe kann jpg, png oder webp sein. Die offiziellen Hinweise nennen eine Abwägung: Die portable Fassung schneidet die Eingabe in Blöcke, verarbeitet sie getrennt und setzt sie zusammen, weshalb Nähte zwischen Blöcken entstehen können und Ergebnisse leicht von der Framework-Fassung abweichen — dann lautet der Rat schlicht, den Skriptweg zu nehmen. Der Skriptweg verarbeitet zusätzlich Bilder mit Alphakanal, Graustufen, 16-Bit-Bilder und die erwähnte Gesichtsverbesserung.

Wo es im Ökosystem steht: eine Schicht, die andere aufnehmen

Das Repository führt einen Abschnitt mit nachgelagerten Projekten, und diese Liste erklärt die Positionierung besser als jede Beschreibung: eine Android-Umsetzung, ein Plugin für Videoverarbeitung, der ncnn-Port selbst und eine Reihe grafischer Werkzeuge — darunter das zuvor getestete Desktopprodukt. Viele Nutzer setzen den Algorithmus also indirekt ein, über eine Oberfläche, über die sie nie nachdenken. Die aktuellen Zahlen nennen rund 36,8k Sterne, 4,5k Forks und elf Veröffentlichungen bei Version v0.3.0, geschrieben in purem Python unter BSD-3-Clause — freizügig genug, dass kommerzielle Nutzung und Weitergabe kaum Reibung erzeugen, was ein Grund ist, warum so viele Produkte es als Fundament wählten. Auch die Methode hat einen formalen Ursprung: ein Paper von 2021 auf einem Workshop für Computer Vision, von vier Autoren, aus einem visuellen Labor eines großen Unternehmens und einem nationalen Forschungsinstitut.

Die portable Linie wird in einem eigenen Repository gepflegt, kleiner als das Hauptprojekt mit rund 2,2k Sternen und 292 Forks, und sie gibt offen zu, sich stark an einer früheren Kommandozeilen-Umsetzung derselben Idee bedient zu haben. Ihre Aufgabenliste ist erfrischend konkret: günstigere Skalierungsverfahren unterstützen, ein Schwarz-Bild-Problem auf manchen Rechnern beheben, Hinweise zur Modellkonvertierung ergänzen und Gesichtsrestaurierung unterstützen. Der letzte Punkt zählt — die portable und die Skript-Variante sind nicht gleich leistungsfähig, und Gesichtsverbesserung existiert derzeit nur auf der Skriptseite, also nach Bedarf wählen.

Für wen es passt

Drei Gruppen. Wer Material im Stapel bearbeiten will, ohne eine Umgebung zu bauen: Die portable Fassung läuft nach dem Herunterladen, ein Befehl deckt ein Verzeichnis ab, und der Kachelparameter hält sie auf einer mittleren Maschine am Leben. Kreative aus Anime und Illustration: Für Anime-Standbilder und Anime-Video gibt es eigene Modelle, und weil solche Inhalte regelmäßigere Texturen haben, verhalten sich die Modelle berechenbarer als bei realistischen Fotos. Und Entwickler wie Forschende: Die freizügige Lizenz nimmt Reibung weg, der Trainingscode ist veröffentlicht, und wer Superauflösung ins eigene Produkt bauen oder die Idee synthetischer Daten umarbeiten will, startet von einer niedrigen Basis und kann dem Paper direkt folgen.

Drei Hinweise. Zuerst die Grenze: Die Stärke ist das Reparieren unzureichender Auflösung, optische Probleme wie Bewegungsunschärfe oder verfehlten Fokus in der Quelle löst es nicht — die offiziellen Hinweise ergänzen einen Parameter für Entrauschstärke, um die Glättung zu dämpfen, die Vergrößerung mitbringt, was zeigt, dass der Ausgleich zwischen Sauberkeit und erhaltenem Detail beim Nutzer liegt. Zweitens das Tempo: Das Hauptrepository steht bei v0.3.0 mit seltenen Veröffentlichungen, was nach stabil statt aktiv entwickelt klingt, und im portablen Repository stehen noch offene Punkte, also vor dem Verlass auf das Werkzeug die Aufgabenliste lesen. Drittens die Hardware: Die portable Fassung geht über ncnn und Vulkan, will also eine Grafikkarte, und eine reine Prozessorumgebung wird sehr langsam — vor einem großen Stapel besser klären. Wer nur eine brauchbare Oberfläche will, ist mit einem fertigen Desktopprodukt besser bedient; wer das hier in die eigene Verarbeitung einbauen will, beginnt richtigerweise bei diesem Repository.

Der Wert einer offenen Algorithmusschicht liegt selten in ihren eigenen Downloads. Er liegt darin, wie viele Produkte bereit sind, sie in ihrer Hülle zu verstecken.