KI-generierte Bilder können mit ChaiNNer hochskaliert werden, um die Qualität des Bildes zu verbessern. Im Gegensatz zu Gigapixel von TopazLabs ist Upscaling mit ChaiNNer kostenlos und in höchstem Grad individualisierbar. Bei ChaiNNer können Anwender viele Schritte von den verwendeten Algorithmen bis zur Bildweiterverarbeitung an die persönlichen Anforderungen anpassen, was bei Gigapixel nicht möglich ist.
ChaiNNer vorgestellt
ChaiNNer ist ein kostenloses Tool für KI-Upscaling und Bildverarbeitung mit einer anwenderfreundlichen Benutzeroberfläche, die es einfach macht, komplexe Verarbeitungsaufgaben miteinander zu verketten. Das Tool, das auf einem Flussdiagramm-/ Knotenkonzept basiert, zielt darauf ab, das Verketten von Bildverarbeitungsaufgaben (insbesondere Upscaling durch neuronale Netzwerke) einfach, intuitiv und anpassbar zu gestalten. Die Anwendung läuft plattformübergreifend auf Windows, MacOS, and Linux.
Während sich das Tool auf das Vergrößern (Upscaling) von Bildern spezialisiert, bietet es auch eine ganze Reihe anderer Standard-Verarbeitungsmöglichkeiten. Angefangen von Umbenennen der Bilder, über Zurechtscheiden und Drehen, bis zu Farb- und Gamma-Korrektur, Kantenerkennung oder Filteranwendungen. Derzeit befindet sich die Anwendung offiziell noch in der Alpha-Test-Phase und ist nur mit englischer Benutzeroberfläche erhältlich.
So funktioniert Upscaling mit ChaiNNer
Upscaling mit KI
Upscaling ist ein Verfahren, dass niedrig aufgelöste Bilder oder Videos in höhere Auflösungen umgewandelt. In der Vergangenheit wurden dabei die Pixel des niedrig aufgelösten Bildes kopiert und wiederholt, um das höher aufgelöste Display auszufüllen.
Im Gegensatz zur herkömmlichen Methode werden beim Upscaling mit Künstlicher Intelligenz Algorithmen eingesetzt. Diese Algorithmen analysieren das Bild und fügen fehlende Details hinzu, anstatt einfach nur Pixel zu kopieren und zu wiederholen. Ein weiterer Vorteil des Upscalings mit KI ist der kantenglättende Effekt, der das Bild von einer niedrigen zu einer sehr hohen Auflösung hochskaliert. In der Vergangenheit wurden Filter verwendet, um das Bild zu glätten und unerwünschte Kanten abzurunden, die durch die Dehnung sichtbar werden konnten.
Im Gegensatz zum Branchenführer Topas Gigapixel.AI bietet ChaiNNer keine fest integrierten Algorithmen an. Stattdessen können beliebige Algorithmen in das Tool integriert und miteinander kombiniert werden. Dadurch wird das Tool vielseitiger, da auch Modelle verwendet werden können, die auf ganz spezielle Aufgaben trainiert wurden, wie zum Beispiel das Verbessern von Katzenbildern.
Installation
Um ChaiNNer zu installieren, laden Anwender die neueste Version von der Github-Release-Seite herunter und führen den für ihr System am besten geeigneten Installer aus. Sie benötigen nicht einmal Python, da ChaiNNer beim Start einen isolierten, integrierten Python-Build herunterlädt. Von dort aus können alle anderen Abhängigkeiten über den Dependency Manager installiert werden. Wer eine eigene Python-Installation verwenden möchte, kann die Einstellung für systemeigenes Python aktivieren. Es wird jedoch dringend empfohlen, das integrierte Python zu verwenden.
Die zusätzlich benötigten Upscaling-Modelle stehen im Upscaling-Wiki zur Verfügung.
Grundaufbau
Bevor es losgeht, muss noch ein neuronales Netzwerk-Framework aus dem Dependency Manager installiert werden. Die Schaltfläche dazu befindet sich in der oberen rechten Ecke. ChaiNNer bietet Unterstützung für PyTorch (mit ausgewählten Modellarchitekturen), NCNN und ONNX. Für Nvidia-Benutzer wird PyTorch vom Entwickler empfohlen, während NCNN für AMD-Benutzer geeigneter ist.
Um die einzelnen Anwendungsschritte miteinander zu verbinden, werden einfach die Knoten aus dem Auswahlbereich per Drag-and-Drop oder Doppelklick in den Editor gezogen und anschließend mit den Knoten-Handles verbunden. Die spezifischen Anwendungsgebiete sind dabei farbkodiert und es werden jeweils nur kompatible Verbindungen angezeigt. Dadurch ist es sehr einfach zu erkennen, was wo verbunden werden muss.
Wenn eine funktionsfähige Kette im Editor erstellt wurde, kann der grüne ‚Ausführen‘-Button in der oberen Leiste gedrückt werden, um die Kette auszuführen. Während der Verarbeitung werden die Verbindungen zwischen den Knoten animiert und gestoppt, sobald sie fertig verarbeitet wurden. Wenn der Vorgang angehalten oder pausiert werden soll, können Anwender die rote ‚Stop‘- oder gelbe ‚Pause‘-Taste betätigen. Derzeit funktioniert das Stoppen jedoch oft nicht, weshalb Anwender entweder warten oder den gesamten Prozess neu laden müssen. Dieser Bug ist bekannt und wird in zukünftigen Updates behoben.
Beispiele
Einfaches Setup zum Upscaling mit KI
In diesem Beispiel vom Entwickler selbst wird ein einzelnes Bild 4fach vergrößert und dann angezeigt.
- Load Image: Das Ausgangsbild. Der Ordner kann frei gewählt werden.
- Load Model: Der Upscale-Algorithmus.
- Upscale Image: In diesem Schritt wird das Bild vergrößert.
- View Image: Vorschau des Ergebnisses.
In diesem Workflow fehlt das Speichern des Ergebnisses. Außerdem verzichte ich beim Upscaling in der Regel auf die Vorschau, da ohnehin keine Details zu erkennen sind.
Komplexer Ablauf mit drei Upscale-Modellen
Diesen Workflow nutze ich zum Vergrößern von ki-generierten Illustrationen. Dabei werden auf jedes Bild drei Upscale-Algorithmen angewendet und die Ergebnisse einzeln abgespeichert. Das erlaubt mir später, für einzelne Bildbereiche verschiedenen Ergebnisse zu kombinieren.
- Rahmen Image-File-Iteration: Dies ist der Arbeitsrahmen für die Stapelverarbeitung, bei dem alle Bilder des angegebenen Ordners skaliert werden.
- Load Image (Iterator): Hier werden die Einzelbilder mit den Upscale-Modellen (orange) verbunden und der Speicherort (lila) sowie der Speichername (grün) definiert.
- Load Model: Wie im Grund-Setup wird hier der jeweilige Upscale-Algorithmus geladen.
- Interpolation-Models: Für jedes erste Upscaling werden die Modelle „Ultra-Sharp“ und „DigiPaint“ im Verhältnis 1:3 kombiniert.
- Upscale Image: Hier werden die Einzelbilder mit dem jeweiligen Algorithmus verarbeitet.
- Resize to Side: Die Bilder werden auf eine Kantenlänge von 3200 Pixel verkleinert.
- Text Append: Der neue Dateiname wird aus dem Namen der Original-Datei und den genutzten Algorithmen generiert.
- Save Image: Die Einzelbilder werden in einem Unterordner unter neuem Namen abgespeichert.
- View Image: Dies ist nur zur Anzeige, damit es nicht so langweilig aussieht.
Ist noch Bildbearbeitung nötig?
Sollte die Ausgangsqualität des Bildes bereits sehr gut sein, ist in der Regel keine weitere Bearbeitung notwendig. Selbstverständlich hängt dies von den persönlichen Ansprüchen an das Endresultat ab. Es sollte jedoch beachtet werden, dass bei KI-generierten Bildern oft bereits Fehler und Artefakte in der Originaldatei vorhanden sind. Aus diesem Grund kann es erforderlich sein, die Ergebnisse manuell zu retuschieren, um eine zufriedenstellende Qualität zu erreichen. Gerade bei Illustration stören oft unnötige Farbfelder oder unklare Formen und Fantasieobjekte das Ergebnis.
Wie Generative KI Bildgestaltung neu definiert
Illustrationen mit KI erstellen und vergrößern
Upscaling mit ChaiNNer – kostenfreie Gigapixel-Alternative
Midjourney v5 – täuschend echt
Jana arbeitet seit 2006 im Bereich Content Management und wurde von Midjourney so richtig für KI-Tool angefixed. Als Hobby-Illustratorin, die sowohl mit digitalen als auch mit traditionellen Medien arbeitet, sieht sie die Deeplearning-Algorithmen als wunderschöne neue Spielzeugkiste.
ChatGPT ist ein ChatBot von OpenAI.
ChatGPT wird als Co-Autor genannt, wenn die KI den Text spürbar mitgestaltet hat, jedoch inhaltlich keinen oder wenig Einfluss hatte.