KJNodes/imagegenerated

Резкость изображения KJ(ImageSharpenKJ)

Ускоренное на GPU повышение резкости изображения с помощью нескольких методов. **RCAS**: адаптивное повышение резкости с учётом контраста от AMD (из FSR). Одиночный 5-отсчётный крестообразный фильтр, адаптирующийся к локальному контрасту. Минимум артефактов, подходит для общего использования с минимальной настройкой. **Adaptive USM**: нерезкая маска с модуляцией локальной дисперсии. Усиливает резкость в областях с большим количеством деталей, меньше — в плоских/зашумлённых областях. Более управляемый, чем RCAS, с помощью параметров радиуса и порога. **High-Pass**: выделяет высокочастотные детали и смешивает их обратно. Создаёт ощущение повышения «чёткости». Использует радиус для контроля масштаба деталей. **Deconvolution**: итеративная деконволюция Ричардсона-Люси. Может восстанавливать фактические потерянные детали из размытия, а не просто усиливать края. Использует радиус как оценку ядра размытия и количество итераций для контроля сходимости.

Image Sharpen KJ

image
method
output
strength
0.80
strength
0.50
radius
1.0
threshold
0.05
strength
0.50
radius
1.0
strength
0.50
radius
1.0
iterations
10
KJNodes

Описание

Ускоренное на GPU повышение резкости изображения с помощью нескольких методов. Каждый метод использует различный принцип для улучшения воспринимаемой резкости или восстановления потерянных деталей.

RCAS — адаптивное повышение резкости с учётом контраста от AMD (из FSR).
Одиночный 5-отсчётный крестообразный фильтр, адаптирующийся к локальному контрасту. Минимум артефактов, подходит для общего использования с минимальной настройкой.

Adaptive USM — нерезкая маска с модуляцией локальной дисперсии.
Усиливает резкость в областях с большим количеством деталей, меньше — в плоских/зашумлённых областях. Более управляемый, чем RCAS, с помощью параметров радиуса и порога.

High-Pass — выделяет высокочастотные детали и смешивает их обратно.
Создаёт ощущение повышения «чёткости». Использует радиус для контроля масштаба деталей.

Deconvolution — итеративная деконволюция Ричардсона-Люси.
Может восстанавливать фактические потерянные детали из размытия, а не просто усиливать края. Использует радиус как оценку ядра размытия и количество итераций для контроля сходимости.

Входы

Общие входы

  • image – Входное изображение (любой тип изображения). Выход будет соответствовать этому типу.
  • method – Выберите алгоритм повышения резкости из выпадающего списка: RCAS, Adaptive USM, High-Pass или Deconvolution. Видимые параметры меняются в зависимости от этого выбора.

Параметры, специфичные для метода

RCAS

  • strength (Число с плавающей точкой, 0–1, по умолчанию 0.8) – 0 = без повышения резкости, 1 = полное повышение резкости RCAS.

Adaptive USM

  • strength (Число с плавающей точкой, 0–3, по умолчанию 0.5) – Множитель повышения резкости. Значения выше 1.0 дают агрессивное повышение резкости.
  • radius (Число с плавающей точкой, 0.5–5, по умолчанию 1.0, шаг 0.1) – Сигма гауссова размытия для нерезкой маски. Большие значения усиливают более крупные детали.
  • threshold (Число с плавающей точкой, 0–1, по умолчанию 0.05) – Шумовой порог. Более высокие значения усиливают резкость только в областях с большей текстурой/деталями. 0 = повышать резкость везде.

High-Pass

  • strength (Число с плавающей точкой, 0–3, по умолчанию 0.5) – Коэффициент смешивания высокочастотных деталей. Значения выше 1.0 дают более выразительный эффект.
  • radius (Число с плавающей точкой, 0.5–5, по умолчанию 1.0, шаг 0.1) – Сигма гауссова размытия, определяющая частотный срез. Большие значения усиливают более крупные детали.

Deconvolution

  • strength (Число с плавающей точкой, 0–1, по умолчанию 0.5) – Смешивание между оригиналом (0) и полностью деконволюированным (1).
  • radius (Число с плавающей точкой, 0.5–5, по умолчанию 1.0, шаг 0.1) – Сигма предполагаемого гауссова размытия для восстановления.
  • iterations (Целое число, 1–100, по умолчанию 10) – Количество итераций Ричардсона-Люси. Большее количество итераций даёт более резкий результат, но работает медленнее; убывающая отдача заметна после ~20.

Выходы

  • image – Повышенное резкость изображение того же типа, что и входное.

Примечания по использованию

  • Все методы выполняются полностью на GPU для быстрой обработки.
  • RCAS — самый «настроил и забыл» вариант: попробуйте его первым, если хотите быстрое повышение резкости без артефактов.
  • Adaptive USM предлагает больше контроля, когда нужно подавить шум: увеличьте порог для защиты плоских областей и настройте радиус в соответствии с масштабом деталей, которые вы хотите усилить.
  • High-Pass хорошо подходит для повышения чёткости или текстуры. Используйте малый радиус (0.5–1.5) для мелких деталей и больший радиус для среднечастотной текстуры.
  • Deconvolution — самый мощный, но может вызывать звон или ореолы при чрезмерном количестве итераций или неверной оценке ядра размытия. Начните с 10–20 итераций и радиуса, равного предполагаемому размытию исходного изображения.

Комментарии

Войдите через GitHub, чтобы участвовать в обсуждении.

Загрузка комментариев…
Резкость изображения KJ (ImageSharpenKJ) - ComfyUI-KJNodes | ComfyUI Wiki