Реалізація AI-збільшення роздільної здатності зображення (Upscale) у мобільному додатку

Впровадження збільшення дозволу зображення з штучним інтелектом в мобільному додатку

AI-апскейл відрізняється принципово від звичайного «розтягування через bicubic» — нейромережа відновлює деталі, яких немає в оригіналі. Фото 512×512 → 2048×2048 з реальними текстурами шкіри, шерсті, матеріалу. На мобільному реалізується трьома способами: на пристрої через Core ML / ONNX, через хмарний API, або гібридно.

На пристрої: Real-ESRGAN через Core ML (iOS)

Real-ESRGAN — найякісніша модель для ×4 апскейла. Існують конвертовані версії Core ML:

import CoreML
import Vision

class ImageUpscaler {
    private let model: VNCoreMLModel

    init() throws {
        let config = MLModelConfiguration()
        config.computeUnits = .cpuAndNeuralEngine // Використовуємо Neural Engine
        let coreMLModel = try RealESRGAN(configuration: config)
        model = try VNCoreMLModel(for: coreMLModel.model)
    }

    func upscale(_ image: UIImage) async throws -> UIImage {
        guard let cgImage = image.cgImage else { throw UpscaleError.invalidInput }

        return try await withCheckedThrowingContinuation { continuation in
            let request = VNCoreMLRequest(model: model) { request, error in
                if let error = error {
                    continuation.resume(throwing: error)
                    return
                }
                guard let results = request.results as? [VNPixelBufferObservation],
                      let outputBuffer = results.first?.pixelBuffer else {
                    continuation.resume(throwing: UpscaleError.noOutput)
                    return
                }
                let ciImage = CIImage(cvPixelBuffer: outputBuffer)
                let context = CIContext()
                guard let outputCG = context.createCGImage(ciImage, from: ciImage.extent) else {
                    continuation.resume(throwing: UpscaleError.conversionFailed)
                    return
                }
                continuation.resume(returning: UIImage(cgImage: outputCG))
            }
            request.imageCropAndScaleOption = .scaleFit

            let handler = VNImageRequestHandler(cgImage: cgImage)
            try? handler.perform([request])
        }
    }
}

Обмеження: Real-ESRGAN очікує вхідної плитки фіксованого розміру (зазвичай 256×256 або 512×512). Для більших зображень — розбивай на плитки, апскейлюй кожну, склеюй з перекриттям (16–32 пікселі) щоб уникнути видимих швів.

func upscaleTiled(_ image: UIImage, tileSize: Int = 256, overlap: Int = 16) async throws -> UIImage {
    let tiles = splitIntoTiles(image: image, tileSize: tileSize, overlap: overlap)
    let upscaledTiles = try await withThrowingTaskGroup(of: (Int, Int, UIImage).self) { group in
        for (row, col, tile) in tiles {
            group.addTask {
                let upscaled = try await self.upscale(tile)
                return (row, col, upscaled)
            }
        }
        var results: [(Int, Int, UIImage)] = []
        for try await result in group { results.append(result) }
        return results
    }
    return mergeTiles(upscaledTiles, originalSize: image.size, scaleFactor: 4, overlap: overlap)
}

На iPhone 15 Pro з Neural Engine: 512×512 → 2048×2048 за ~800 мс. 1024×1024 потребує розбиття на плитки → 2–4 секунди.

На пристрої: ONNX Runtime на Android

Real-ESRGAN у форматі ONNX (~15 МБ для малої моделі):

class OnnxUpscaler(context: Context) {
    private val session: OrtSession

    init {
        val env = OrtEnvironment.getEnvironment()
        val options = OrtSession.SessionOptions().apply {
            addNnapi() // Використовуємо NNAPI для прискорення
        }
        val modelBytes = context.assets.open("realesrgan_x4.onnx").readBytes()
        session = env.createSession(modelBytes, options)
    }

    fun upscale(bitmap: Bitmap): Bitmap {
        // Конвертуємо Bitmap у float тензор [1, 3, H, W], нормалізуємо в [0, 1]
        val inputTensor = bitmapToTensor(bitmap)
        val inputName = session.inputNames.first()!!
        val output = session.run(mapOf(inputName to inputTensor))
        val outputTensor = output[0].value as Array<*>
        // Конвертуємо тензор назад у Bitmap
        return tensorToBitmap(outputTensor, bitmap.width * 4, bitmap.height * 4)
    }
}

NNAPI на сучасних Android-пристроях дає 2–4× прискорення порівняно з CPU. На Snapdragon 8 Gen 2 — 512×512 за ~1,2 секунди.

Хмарні API

Коли на пристрої надто повільно або потрібен вищий коефіцієнт апскейла (×8, ×16):

Replicate — Real-ESRGAN:

let body: [String: Any] = [
    "version": "...", // real-esrgan model hash
    "input": [
        "image": "data:image/jpeg;base64,\(base64Image)",
        "scale": 4,
        "face_enhance": true // GFPGAN для покращення облич
    ]
]

face_enhance: true запускає GFPGAN поверх Real-ESRGAN — для портретних фото це важливо, без нього обличчя можуть отримати артефакти.

Stability AI Upscale API:

val requestBody = MultipartBody.Builder()
    .setType(MultipartBody.FORM)
    .addFormDataPart("image", "photo.jpg", imageFile.asRequestBody("image/jpeg".toMediaType()))
    .addFormDataPart("output_format", "png")
    .build()

Stability AI повертає PNG з ×4 апскейлом через Creative Upscaler (SD-based, додає деталі) або Conservative Upscaler (менше змін оригіналу).

Вибір підходу

UX: прогрес та порівняння

На пристрої апскейл — добре показувати прогрес розбиття на плитки: «Обробляємо 3 з 12 фрагментів». Користувач не відчуває зависання.

Після завершення — інтерактивний slider «до/після» (MagnificationGesture на iOS, custom View з touch на Android). Це стандарт UI для будь-яких інструментів покращення фото.

Терміни

На пристрої апскейл з розбиттям на плитки та прогрес-індикатором — 5–8 днів. Хмарний апскейл + покращення облич + slider до/після + збереження в галерею — 8–12 днів. Гібридний з оцінкою якості та вибором шляху — ще 3–5 днів зверху.