OpenAI 업샘플러
공식 학습은 면적 평균(area) 입력을 사용합니다. 처음 비교의 nearest는 이 조건과 달랐습니다. 같은 사진을 공식 float area 입력으로 바꾸자 18.06 → 25.53 dB로 개선됐습니다.
01 · 원본은 그대로, 축소 방법만 변경
같은 모델이 어떤 입력을 받았는지 보세요.
결과 아래에 실제 64×64 입력도 표시합니다. 이미지를 누르면 PNG 원본이 열립니다. 화면 확대는 픽셀을 그대로 복사합니다. 작은 화면에서는 결과 줄을 좌우로 밀어 보세요.
검증 기록을 기다리고 있습니다.
Nearest 4×4 칸에서 픽셀 하나를 그대로 가져옵니다. 가는 선과 작은 무늬가 빠질 수 있습니다.
BOX 4×4 칸의 색을 평균합니다. 여기서는 8비트 Pillow BOX이며 공식 학습의 float area 입력과 완전히 같지는 않습니다. 원본 픽셀 하나를 보존하는 조건도 아닙니다.
Bicubic 주변 색을 섞어 부드럽게 줄입니다. 여기서는 Pillow 구현이며, ESRGAN 논문의 MATLAB 구현과 완전히 같지는 않습니다.
각 모델 안에서 캐릭터별 난수 시작값(시드)을 세 축소 조건에 똑같이 적용했습니다. 여러 시드로 반복한 평균은 아닙니다.
02 · 같은 전경 영역에서 계산
8개 캐릭터의 평균 비교
각 칸은 PSNR / RGB MAE입니다. PSNR은 높을수록, MAE는 낮을수록 원본의 RGB 숫자에 가깝습니다. 단순 확대인 두 보간법도 함께 비교합니다. 작은 예시 묶음의 결과이므로 전체 도트의 성능 순위로 보지는 마세요.
| 모델 · 보간 기준 | Nearest 입력 | BOX 입력 | Bicubic 입력 |
|---|---|---|---|
| 검증 기록을 기다리고 있습니다. | |||
원본 알파가 0보다 큰 모든 전경 픽셀에서 계산하며, 원래 픽셀 위치도 제외하지 않습니다. 이미지별 점수를 구한 뒤 8장에 같은 비중을 주어 평균합니다. 처음 비교 페이지의 ‘고정점 제외’ 점수와 직접 비교하면 안 됩니다. 이 점수는 파란색 편향을 판정하는 지표가 아닙니다.
모든 입력은 같은 흰 배경 RGB 원본에서 만들었습니다. BOX·bicubic 비교가 좋아지더라도, 실제 옛날 도트의 복원 품질까지 확인된 것은 아닙니다.
03 · 공개 예제로 확인한 실제 출력
추론 코드 자체도 따로 확인했습니다.
아래는 공식 예제와 실행 경로를 확인하기 위한 대조 실험입니다. RePaint의 2배·4배 비교는 빈 칸을 채우는 조건 실험이므로 위 평균표에 넣지 않았습니다.
검증 기록을 기다리고 있습니다.
04 · 이 비교에서 알 수 있는 것
입력 방식과 모델의 한계를 나눠 봐야 합니다.
축소법을 바꿨을 때 결과가 크게 달라지면, 모델이 익숙한 입력 조건의 영향을 받았다는 단서입니다. 원본 픽셀을 유지하는 도트 복원은 여전히 별도로 검증해야 할 목표입니다.
공식 구현과 같은 출력이 나오는지는 ‘코드를 제대로 실행했는가’를 확인합니다. 그 결과가 우리 도트에 적합한지는 원본과 실제 이미지를 보며 따로 판단합니다.