AI 画像高解像度化の実情 — 2× が 4× より優れる場面
Tomoda Hinataツール作者・運営公開 2026年4月26日約6分
AI アップスケールは数百万の低解像 → 高解像ペアで学習したニューラルネットワークを使い、bicubic では復元できない「もっともらしい」ディテールを生成します。古いサムネイル、クロップしたスマホ写真、印刷向けに引き伸ばす小さなアーカイブ写真を救えます。撮影されなかったディテールは復元できず、4× では顔が不気味に変わることもあるため、特別な理由がない限り 2× を選びましょう。
このガイドで使うツール
AI アップスケールは実際に何をしているのか?
古典的なリサンプリング (bicubic、Lanczos) は既存ピクセルから新しいピクセルを補間するだけで、存在しないディテールを生み出すことはできません。AI アップスケールは低解像/高解像のペアで学習した畳み込みまたは Transformer ニューラルネットワークを実行し、256×256 を入力すると 512×512 を出力します。最も普及した Real-ESRGAN モデルファミリーは、高品質画像を意図的に劣化させた入力で訓練されているため、ブラー・JPEG 圧縮・ダウンサンプリングを反転する方法を学習しています。
アップスケールが正しい解になる場面
古典的な勝ちパターン 3 つ: 古いサムネイル復元 (2010 年の 200×200 アバターを 500×500 SNS カードに乗せる)、アーカイブスキャン (CD 時代の 720p 写真を印刷可能な解像度へ)、スマホクロップ写真 (シャッター前にズームできず解像度が落ちた被写体を救う)。古典的な負けパターン 3 つ: 別視点の合成 (不可能 — カメラを回転させることはできない)、ぼけた写真からの文字復元 (一部成功するが多くは実用不可)、すでに AI 生成の画像のアップスケール (アーティファクトを増幅)。
なぜ 2× が安全な既定値なのか?
2× ではネットワークの幻覚が抑制されます — 出力 1 ピクセルに対し入力 4 ピクセル、エッジ情報に強く依存できます。4× では出力 16 ピクセルに対し入力 1 ピクセルしかなく、15/16 を発明する必要があるため、テクスチャは保てても顔が不気味になり、文字が崩れ、平坦部にパターンを幻覚します。4× が必要なら、4× で 1 回回すより 2× を 2 回続ける方が安全 — 中間結果が 2 回目のパスを安定させます。
ブラウザ内モデルの仕組み
ツールは ONNX 形式の Real-ESRGAN-x2 モデル (~50MB) を初回のみダウンロード、以降キャッシュ。推論は ONNX Runtime Web を WebAssembly にコンパイルし、WebGPU が使える環境では加速 (Chrome 113+、Edge 113+、Safari 17+)。14" MacBook Pro M2 で 1024×1024 → 2048×2048 が約 4 秒、iPhone 14 で約 12 秒。アップロードなし — 写真もモデルも推論もすべてブラウザタブ内に留まります。
現実的な限界
顔: Real-ESRGAN でも 4× ではわずかに別人の特徴を幻覚することがあります。文字: ネットワークは文字形状を学んでいますが、スマホで撮ったレシートの極小文字を読める解像度に上げるのはほぼ無理。すでに圧縮された画像: 強い JPEG ブロックノイズは「特徴」と認識され増幅されます。AI 生成ソース: 元の AI のアーティファクトを重ねがけ。迷ったら 2× で止める — その先のゲインはほぼアーティファクトに化けます。
手順
所要時間 約1分元画像をドロップ
JPG / PNG / WebP (4MP 以下) をツールにドラッグ。それ以上のサイズも動作するが推論時間が二乗で伸びる。
倍率を選ぶ
既定の 2× がほぼすべての用途で正解。4× は特別な理由があり、顔が画面 2 ピクセルしかないような構図でないときだけ。
推論を待つ
初回はモデル ~50MB をダウンロード (以降キャッシュ)。推論時間: M2 で約 4 秒、iPhone 14 で約 12 秒、古い端末ではより長い。
比較してダウンロード
Before/After スライダーで結果を確認。顔が不気味なら 2× に落とすかアップスケール自体を諦める。
| 入力 → 出力 | Apple M2 (WebGPU) | iPhone 14 (Wasm) | 出力ファイルサイズ |
|---|---|---|---|
| 256×256 → 512×512 | 0.4 秒 | 1.1 秒 | +150% バイト |
| 512×512 → 1024×1024 | 1.3 秒 | 3.8 秒 | +220% バイト |
| 1024×1024 → 2048×2048 | 4.1 秒 | 12.0 秒 | +280% バイト |
よくある質問
4× より大きく拡大できる?
2× を 2 回続けると実効 4× が得られます。それを超えるとアーティファクトが支配的に — AI は撮影されなかったディテールを発明できません。8× の意味あるディテールが必要なら撮り直すしかありません。
顔が不気味に見えるのはなぜ?
Real-ESRGAN は実在する人の写真で訓練されていますが、誰の顔かは理解していないため、局所コンテキストに最もそれらしい顔のパーツを当てます。結果として 5 歳児がわずかに大人びたり、鼻筋がずれたりします。2× に落とすか、アーティファクトを受け入れる選択を。
モデルは写真をアップロードする?
しません。~50MB の ONNX モデルは初回のみブラウザキャッシュにダウンロード、それ以降は WebAssembly + WebGPU で完全に端末上で推論されます。
複数枚を一括処理できる?
できます — ツールはファイルをキューに入れ、ロード済みモデルで順次処理します。最初の 1 枚だけコールドスタートのコストを払い、以降は即座に走ります。
JPEG ノイズの除去にもアップスケールは使える?
場合により有効。Real-ESRGAN は JPEG 劣化入力でも訓練されており、軽い圧縮はクリーンアップできます。強いブロックノイズは増幅されることが多いので、結果が原本より悪く見えたらノイズが過剰です。
AI 生成画像にも効く?
多くは不向き。AI 生成画像は既に幻覚ディテールを含むため、別の AI で重ねがけするとアーティファクトが累積します。Stable Diffusion 出力ならモデル自身の latent upscaler を優先しましょう。
今すぐ試す
ONNX Runtime Web + WebGPU で 2× / 4× 超解像化
AI 高解像度化 (Real-ESRGAN) — 完全ブラウザ内処理