0

Bilduppskalare

Förstora en bild 2x, 3x eller 4x med riktiga Lanczos eller bikubisk faltningsomsampling, visad ärligt sida vid sida mot webbläsarens standardbilinjära skalning – klassisk omsampling, inte AI.

🔎

Dra och släpp bild här

Stöder PNG, JPG, WebP

Ärlig ansvarsfriskrivning: detta är klassisk omsampling, inte AI. Den förstorar din bild med hjälp av riktig matematik – inga nya detaljer uppfinns, och fin textur som inte finns i originalet kommer inte magiskt att visas här.

Buy Me a Coffee at ko-fi.com
Bearbetar... 0%
Laddar bild
Beräkningsfaltningskärna
Sampla om rader och kolumner
Klart

Resultat

Preview Output

Många sajter lovar "AI-uppskalning" som får ett litet foto att se ut som om det togs med professionell utrustning. Det här verktyget gör något mer ärligt: ​​det förstorar din bild med riktiga, decennier gamla, matematiskt välförstådda omsamplingsalgoritmer – samma familj som används i professionell bildredigeringsprogram långt innan någon kallade något "AI" – och visar dig exakt hur det jämför med skalningen som din webbläsare redan gör gratis.

Två genuint olika algoritmer implementeras, inte en algoritm med två etiketter. Lanczos omsampling använder en sinc-kärna i fönster - sinc(x) multiplicerad med sinc(x/a) inom en stödradie på a=3 - som fungerar som ett nära idealiskt lågpassfilter och tenderar att producera de skarpaste kanterna med högst kontrast av de två. Bikubisk omsampling använder den klassiska Keys (1981) kubiska faltningskärnan med a=-0,5 (motsvarande en Catmull-Rom spline), ett bitvis kubiskt polynom med en stödradie på 2 som ger jämnare, mjukare resultat med mindre ringningar nära hårda kanter. Båda tillämpas som äkta separerbara faltningar: varje rad samplas om horisontellt först, sedan omsamplas varje kolumn vertikalt, med kärnvikter beräknade per utdatapixel och normaliserade så att de alltid summeras till 1.

Som jämförelse återger verktyget också samma förstoring med hjälp av webbläsarens egen förinställda drawImage-skalning (imageSmoothingEnabled = sant, standardkvalitet) — den snabba bilinjära familjemetoden som varje canvasbaserat verktyg faller tillbaka till om det inte implementerar något bättre. Om du placerar den bredvid ditt valda Lanczos eller bikubiska resultat blir värdet av verklig omsampling synligt: ​​skarpare kanter och mindre oskärpa vid samma målupplösning, från samma källpixlar.

Vad det här verktyget inte kommer att göra är att uppfinna detaljer som aldrig fångades. Det finns inget neuralt nätverk som gissar hur en suddig hårfläck eller en avlägsen registreringsskylt "ska" se ut - varje utdatapixel är en matematiskt definierad viktad kombination av verkliga källpixlar. Välj 2x, 3x eller 4x, välj Lanczos eller bicubic och ladda ner resultatet som en PNG i full upplösning. Allt körs lokalt med webbläsarens egna Canvas 2D och ImageData API:er — din bild laddas aldrig upp någonstans.