Nearest-Exact, Bilinear, Area, Bicubic oder Lanczos? Skalierungsmethoden im Vergleich

Das Wichtigste in Kürze

• Beim Hochskalieren von Fotos und Videoframes erhalten Lanczos und Bicubic die meisten Details. In unserem 4×-Test lagen sie etwa 5 dB über Nearest-Exact und 2,5 dB über Bilinear.
• Lanczos und Bicubic schärfen Kanten durch Überschwingen. Das ist der leichte Halo, den Sie um kontrastreiche Linien sehen.
• In ComfyUI liefert „area“ beim Hochskalieren um einen ganzzahligen Faktor dasselbe Ergebnis wie Nearest-Exact. In FFmpeg skaliert „area“ wie Bilinear hoch.
• Zum Verkleinern in ComfyUI wählen Sie lanczos oder area. Bilinear und Bicubic lassen dort das Anti-Aliasing weg und hinterlassen starkes Moiré.
• Keine dieser Methoden fügt Details hinzu. Dafür brauchen Sie einen KI-Upscaler, und das ist eine andere Art von Werkzeug.

Zum Hochskalieren wählen Sie Lanczos oder Bicubic; sie erhalten die meisten Kantendetails, um den Preis leichter Halos. Nearest-Exact nehmen Sie nur für Pixel-Art oder Masken. Bilinear ist weicher, aber frei von Halos. Beim Verkleinern sieht es anders aus: In ComfyUI erzeugen Bilinear und Bicubic Moiré, nehmen Sie also lanczos oder area.

Diese Namen begegnen Ihnen im Node Upscale Image von ComfyUI, im scale-Filter von FFmpeg und in den meisten Bildbearbeitungsprogrammen. In diesem Leitfaden erfahren Sie, was jede Methode tut, was unsere Messungen gezeigt haben, welche Methode zu welcher Aufgabe passt und wo klassisches Resampling endet und KI-Upscaling beginnt.

Inhalt

1. Was ist eine Skalierungsmethode?
2. Die fünf Methoden einfach erklärt
3. Unser Test: ein Foto, fünf Methoden, zwei Tools
4. Halos: der Preis für schärfere Kanten
5. Die Falle beim Verkleinern in ComfyUI
6. Welche Methode passt?
7. FFmpeg: die passenden Flags
8. Wenn eine Resampling-Methode nicht reicht
9. So vergleichen Sie beides in KwaFlux
10. Fehlerbehebung
11. Häufige Fragen

Was ist eine Skalierungsmethode?

Eine Skalierungsmethode, auch Resampling-Filter genannt, ist die Regel, nach der ein Programm beim Ändern der Bildgröße neue Pixel aus den vorhandenen berechnet. Sie legt fest, wie viele Nachbarpixel einbezogen werden und wie stark jedes davon zählt. Details, die nicht aufgenommen wurden, kann sie nicht erfinden; sie entscheidet nur, wie weich oder knackig die Zwischenpixel aussehen.

Der Node Upscale Image in ComfyUI bietet fünf an: nearest-exact, bilinear, area, bicubic und lanczos. Die Latent-Variante des Nodes ersetzt lanczos durch bislerp, eine Methode für Latents statt für fertige Bilder.

Die fünf Methoden einfach erklärt

Randnotiz: In ComfyUI laufen vier Methoden über die PyTorch-Funktion interpolate mit deren Standardeinstellungen. Die Option lanczos geht einen anderen Weg: Sie wandelt jedes Bild in 8 Bit um und skaliert es mit der Bibliothek Pillow auf der CPU. Bei langen Frame-Batches kann dieser Weg langsamer sein, und er rundet das Bild auf 8 Bit.

Unser Test: ein Foto, fünf Methoden, zwei Tools

Wir haben eine detailreiche nächtliche Stadtaufnahme in 1920 × 1080 auf ein Viertel seiner Breite und Höhe verkleinert (480 × 270) und mit jeder Methode wieder hochskaliert. Danach haben wir jedes Ergebnis per PSNR mit dem Original verglichen, einem Maß für Pixelgenauigkeit, bei dem ein höherer Wert näher am Original liegt.

Drei weitere Beispielfotos ergaben dieselbe Reihenfolge, nur beim weichsten lag Bicubic bei 4× um 0,07 dB vor Lanczos. Zwei Ergebnisse fallen auf:

• „area“ ist beim Hochskalieren nicht in beiden Tools dieselbe Methode. In ComfyUI entstand genau dasselbe Bild wie mit nearest-exact, in FFmpeg genau dasselbe wie mit bilinear. Flächenmittelung spielt nur eine Rolle, wenn mehrere Quellpixel in ein Ausgabepixel fallen, und das passiert beim Verkleinern.
• Lanczos und Bicubic liegen dicht beieinander. Der Abstand von 0,2 bis 0,4 dB bei 4× ist kaum zu sehen. Der größere Sprung liegt zwischen Bilinear und einer der beiden.

Halos: der Preis für schärfere Kanten

Bicubic und Lanczos wirken schärfer, weil ihre Gewichtungskurven unter null fallen. Neben einer harten Kante wird die dunkle Seite dadurch dunkler und die helle Seite heller als jeder der beiden Originalwerte. Unser Test nutzte eine Sprungkante von Grauwert 40 auf 215, um 4× skaliert:

Auf einem Foto fällt das selten auf. Bei Text, Strichzeichnungen, UI-Screenshots und hellen Lichtern vor dunklem Himmel zeigt es sich als dünne helle oder dunkle Kontur.

In ComfyUI kann Bicubic Werte außerdem über reines Weiß oder reines Schwarz hinaus schieben. Bei unserem Nachtfoto reichte das 4×-Ergebnis vor dem Abschneiden von -4,6 % bis 113 % des normalen Wertebereichs. Das Abschneiden verdeckt das, doch sehr helle Bereiche verlieren etwas Abstufung.

Die Falle beim Verkleinern in ComfyUI

Viele nutzen denselben Node Upscale Image auch zum Verkleinern, etwa um ein Bild an die Eingabegröße eines Modells anzupassen. Genau dort zählt die Methode am meisten.

Beim Verkleinern müssen feine Muster, die für die neue Größe zu klein sind, vorher weggefiltert werden. Sonst falten sie sich zu Scheinmustern, dem sogenannten Aliasing oder Moiré. Die PyTorch-Funktion interpolate filtert nur dann vorab, wenn man es verlangt, und ComfyUI verlangt es nicht. In ComfyUI berücksichtigen Bilinear und Bicubic beim Verkleinern deshalb zu wenige Pixel.

Wir haben ein Testmuster aus feinen Ringen von 1024 auf 256 Pixel verkleinert und gemessen, wie viel Scheinmuster übrig bleibt; 0 ist ideal, etwa 90 entspricht voller Stärke:

FFmpeg und Pillow filtern automatisch vorab, deshalb schneiden dort alle weichen Methoden gut ab. In ComfyUI nehmen Sie zum Verkleinern lanczos oder area.

Welche Methode passt?

Tipp: Wenn Sie nach dem Hochskalieren noch nachschärfen oder ein KI-Modell anwenden, spielt die Methode eine kleinere Rolle, weil der nächste Schritt die Kanten ohnehin neu formt. Nehmen Sie Bicubic als sichere Standardwahl und investieren Sie Ihre Zeit in den Schritt danach.

FFmpeg: die passenden Flags

Der scale-Filter von FFmpeg arbeitet mit Bicubic, solange Sie keine flags setzen. In unserem Test ergab das Weglassen eine Datei, die mit flags=bicubic identisch war.

# Upscale to 1080p with Lanczos
ffmpeg -i input.mp4 -vf "scale=1920:1080:flags=lanczos" -c:v libx264 -crf 18 -c:a copy output.mp4

# Keep the aspect ratio: set the height, let FFmpeg pick an even width
ffmpeg -i input.mp4 -vf "scale=-2:2160:flags=lanczos" -c:v libx264 -crf 18 -c:a copy output_2160p.mp4

# Pixel art: nearest neighbor, exact 4x
ffmpeg -i sprite.png -vf "scale=iw*4:ih*4:flags=neighbor" sprite_4x.png

FFmpeg bietet außerdem spline, das in unserem Test zwischen Bicubic und Lanczos lag (35,39 dB), mit etwas kleineren Halos als Lanczos. Mehr zum Skalieren lesen Sie unter 720p auf 1080p hochskalieren.

Wenn eine Resampling-Methode nicht reicht

Jede der Methoden oben berechnet neue Pixel nach einer festen Formel aus den alten. Keine davon kann ein Gesicht von einer Wand unterscheiden oder Textur zurückholen, die die Kamera nicht aufgezeichnet hat. Wenn ein 4×-Ergebnis mit jeder Methode weich aussieht, ist das die Grenze des Resamplings und keine falsche Einstellung.

KI-Upscaler arbeiten anders. Ein trainiertes Modell sagt plausible Details voraus, gestützt auf das, was es über echte Bilder gelernt hat, und kann dabei auch Kompressionsblöcke und Rauschen entfernen. Der Haken: Die hinzugefügten Details sind eine Vorhersage. KI-Upscaling vs. Bicubic und Lanczos vergleicht beide Ansätze direkt, und 480p auf 4K: was KI zurückholen kann zeigt, wo auch KI an ihre Grenzen stößt.

So vergleichen Sie beides in KwaFlux

Die Vergleichsansicht von KwaFlux zeigt eine per Resampling skalierte Version neben dem KI-Ergebnis, sodass Sie den Unterschied an Ihrem eigenen Material beurteilen können:

1. Importieren Sie einen Clip oder ein Bild und öffnen Sie die Qualitätsreparatur.
2. Stellen Sie die Ausgabeauflösung auf die benötigte Größe ein, zum Beispiel 2× oder 4K.
3. Rendern Sie eine Vorschau von 1, 3 oder 5 Sekunden. Ein Konto ist dafür nicht nötig.
4. Öffnen Sie den Schieberegler-Vergleich (Slider compare). Die Seite „Vorher“ zeigt Ihre Quelle auf die Ausgabegröße skaliert; die Seite „Nachher“ ist mit „KI-hochskaliert“ und der Auflösung beschriftet.

Für Fotos funktionieren dieselben Schritte im KI-Bild-Enhancer. Eine Lizenz umfasst 23 Videomodule, 15 Fotomodule, 4 Audiowerkzeuge sowie Werkzeuge für Untertitel und Dateien, ohne Credits oder Gebühren pro Minute; die Dauerlizenz hat einen Listenpreis von 199,99 $ und wird einmal bezahlt.

Fehlerbehebung

Fazit

Zum Vergrößern wählen Sie Lanczos oder Bicubic, nearest-exact für Pixel, die hart bleiben müssen, und in ComfyUI zum Verkleinern lanczos oder area. Die Methode verändert, wie Kanten aussehen, aber sie kann keine Details erschaffen. Wenn Sie Details brauchen, die in der Quelle nicht stecken, ist das eine Aufgabe für KI-Upscaling.

KI-Upscaling neben klassischer Skalierung sehen

KwaFlux führt den KI-Video-Enhancer und den KI-Bild-Enhancer auf Ihrer eigenen GPU aus. Die KI-Verarbeitung läuft auf Ihrer eigenen GPU, und Ihre Mediendateien werden für die Verarbeitung nicht hochgeladen. KwaFlux läuft unter Windows 10 (64-Bit, Version 1809 oder neuer), Windows 11 und macOS 12 oder neuer auf Apple Silicon. Vorschauen brauchen kein Konto: 1, 3 oder 5 Sekunden bei Videos, das ganze Bild bei Fotos. Anmeldung und ein bezahlter Plan sind nur für Export, Konvertierung, Dateireparatur und Datei-Download aus einem Link nötig.

KwaFlux laden · Pläne ansehen