Petit, rapide et vérifiable
Le poids AMD de 109 Ko est sous Apache-2.0 et son SHA-256 exact est vérifié à chaque build.
Agrandir une image avec une vraie IA locale
Un véritable réseau de super-résolution reconstruit les contours, à comparer pixel par pixel au redimensionnement ordinaire. L’image ne quitte jamais cet appareil.
↗SESR-S109 KBLOCAL AI
Déposez une petite image iciCtrl/⌘ V ou collez une imageJPEG, PNG ou WebP · 50 Mo maximum
SESR-S INT82× ou 4× en deux passes
La première utilisation charge le modèle de 109 Ko et le moteur ONNX local. Les ressources utilisées restent en cache pour un usage ultérieur hors ligne.
SESR-S INT8 · Apache-2.0
Évaluer les détails reconstruits
Redimensionnement navigateurIA locale
L’inférence, la comparaison et l’export restent dans le navigateur. Aucune requête ne contient l’image.
Continuer en local
Apache-2.0 · INT8 · ONNX
Un résultat neuronal mesurable, pas une étiquette IA sur une interpolation
L’outil exécute un réseau SESR INT8 épinglé sur des tuiles RGB et affiche le redimensionnement classique sous le même séparateur. Durée, nombre de tuiles et écart moyen permettent de vérifier le gain.
La référence reste visible
Ajuster, 100 % et 200 % comparent le résultat neuronal au redimensionnement classique aux mêmes dimensions.
2× et un 4× honnête
Le mode 4× est explicitement composé de deux passes 2× et protégé par une limite de 16 Mpx, sans quota cloud caché.
Questions sur l’agrandissement local
Est-ce une vraie IA ou un simple redimensionnement ?
ONNX Runtime exécute le modèle de super-résolution SESR-S INT8. L’autre côté montre le redimensionnement classique et le reçu chiffre l’écart des pixels.
L’image est-elle envoyée ?
Non. Seuls le modèle et le moteur sont téléchargés. Décodage, inférence, comparaison et export restent locaux.
Pourquoi le mode 4× paraît-il parfois trop fort ?
Il applique deux fois le modèle 2×. En cas de halos ou de texture inventée, réduisez l’intensité ou utilisez 2×.