Nearest-exact, bilinear, area, bicubic ou Lanczos ? Les méthodes d’upscaling comparées

L’essentiel

• Pour agrandir des photos et des images de vidéo, Lanczos et bicubic conservent le plus de détails. Dans notre test en 4×, ils ont obtenu environ 5 dB de plus que nearest-exact et 2,5 dB de plus que bilinear.
• Lanczos et bicubic accentuent les contours par dépassement (overshoot). C’est le léger halo que l’on voit autour des lignes très contrastées.
• Dans ComfyUI, « area » donne le même résultat que nearest-exact quand on agrandit d’un facteur entier. Dans FFmpeg, « area » agrandit comme bilinear.
• Pour réduire une image dans ComfyUI, choisissez lanczos ou area. Bilinear et bicubic n’y appliquent pas d’anticrénelage et laissent un moiré marqué.
• Aucune de ces méthodes n’ajoute de détails. Pour cela, il faut un upscaler IA, un outil d’un autre type.

Pour agrandir, choisissez Lanczos ou bicubic : ils conservent le plus de détails sur les contours, au prix de légers halos. Réservez nearest-exact au pixel art et aux masques. Bilinear donne un rendu plus doux, mais sans halo. La réduction est un cas à part : dans ComfyUI, bilinear et bicubic créent du moiré, utilisez donc lanczos ou area.

On retrouve ces noms dans le nœud Upscale Image de ComfyUI, dans le filtre scale de FFmpeg et dans la plupart des éditeurs d’images. Dans ce guide, vous verrez ce que fait chaque méthode, ce qu’ont montré nos mesures, laquelle choisir selon l’usage, et où s’arrête le rééchantillonnage classique et où commence l’upscaling par IA.

Sommaire

1. Qu’est-ce qu’une méthode d’upscaling ?
2. Les cinq méthodes en termes simples
3. Notre test : une photo, cinq méthodes, deux outils
4. Les halos : le prix d’un contour plus net
5. Le piège de la réduction dans ComfyUI
6. Quelle méthode choisir ?
7. FFmpeg : les flags correspondants
8. Quand une méthode de rééchantillonnage ne suffit pas
9. Comparer les deux dans KwaFlux
10. Dépannage
11. Questions fréquentes

Qu’est-ce qu’une méthode d’upscaling ?

Une méthode d’upscaling, ou filtre de rééchantillonnage, est la règle qu’un logiciel applique pour calculer de nouveaux pixels à partir des pixels existants quand il change la taille d’une image. Elle détermine combien de pixels voisins prendre en compte et quel poids donner à chacun. Elle ne peut pas inventer un détail qui n’a pas été capté ; elle décide seulement si les pixels intermédiaires paraissent lisses ou nets.

Le nœud Upscale Image de ComfyUI en propose cinq : nearest-exact, bilinear, area, bicubic et lanczos. La version latente du nœud remplace lanczos par bislerp, une méthode destinée aux latents plutôt qu’aux images finales.

Les cinq méthodes en termes simples

À noter : dans ComfyUI, quatre méthodes passent par la fonction interpolate de PyTorch avec ses réglages par défaut. L’option lanczos suit un autre chemin : elle convertit chaque image en 8 bits et la redimensionne avec la bibliothèque Pillow, sur le CPU. Sur de longs lots d’images, ce chemin peut être plus lent, et il arrondit l’image à 8 bits.

Notre test : une photo, cinq méthodes, deux outils

Nous avons pris une photo de ville nocturne très détaillée en 1920 × 1080, l’avons réduite au quart de sa largeur et de sa hauteur (480 × 270), puis agrandie à nouveau avec chaque méthode. Nous avons ensuite comparé chaque résultat à l’original avec le PSNR, un score de fidélité au pixel près : plus il est élevé, plus le résultat est proche de l’original.

Trois autres photos d’exemple ont donné le même classement, à ceci près que sur la plus douce, bicubic a devancé Lanczos en 4× de 0,07 dB. Deux résultats ressortent :

• « area » n’est pas la même méthode dans les deux outils en agrandissement. Dans ComfyUI, elle a produit une image identique, pixel pour pixel, à celle de nearest-exact. Dans FFmpeg, une image identique à celle de bilinear. La moyenne par zone ne joue que lorsque plusieurs pixels source tombent dans un seul pixel de sortie, ce qui arrive quand on réduit.
• Lanczos et bicubic sont proches. L’écart de 0,2 à 0,4 dB en 4× se voit à peine. Le saut le plus important se situe entre bilinear et l’un ou l’autre.

Les halos : le prix d’un contour plus net

Bicubic et Lanczos paraissent plus nets parce que leurs courbes de pondération prennent des valeurs négatives. À côté d’un contour franc, le côté sombre devient alors plus sombre et le côté clair plus clair que les deux valeurs d’origine. Notre test utilisait une marche du niveau de gris 40 à 215, agrandie en 4× :

Sur une photo, on le remarque rarement. Sur du texte, du dessin au trait, des captures d’interface ou des lumières vives sur un ciel sombre, cela se voit sous la forme d’un fin liseré clair ou sombre.

Dans ComfyUI, bicubic peut aussi pousser les valeurs au-delà du blanc pur ou du noir pur. Sur notre photo de nuit, le résultat en 4× allait de -4,6 % à 113 % de la plage normale avant écrêtage. L’écrêtage le masque, mais les zones très claires perdent un peu de dégradé.

Le piège de la réduction dans ComfyUI

On se sert du même nœud Upscale Image pour réduire des images, par exemple pour les adapter à la taille d’entrée d’un modèle. C’est là que la méthode compte le plus.

Quand on réduit une image, les motifs fins trop petits pour la nouvelle taille doivent d’abord être estompés par un flou. Sinon, ils se replient en faux motifs : c’est le crénelage, ou moiré. La fonction interpolate de PyTorch n’applique ce préfiltrage que si on le lui demande, et ComfyUI ne le demande pas. Dans ComfyUI, bilinear et bicubic prennent donc en compte trop peu de pixels en réduction.

Nous avons réduit une mire d’anneaux fins de 1024 à 256 pixels et mesuré la quantité de faux motif restante, où 0 est l’idéal et environ 90 correspond à l’intensité maximale :

FFmpeg et Pillow appliquent ce préfiltrage automatiquement : toutes leurs méthodes lissantes s’en sortent bien. Dans ComfyUI, utilisez lanczos ou area pour réduire.

Quelle méthode choisir ?

Astuce : si vous agrandissez puis appliquez une étape d’accentuation ou un modèle d’IA, la méthode compte moins, car l’étape suivante remodèle les contours de toute façon. Prenez bicubic comme valeur sûre par défaut et consacrez votre temps à l’étape d’après.

FFmpeg : les flags correspondants

Le filtre scale de FFmpeg utilise bicubic tant que vous ne réglez pas flags. Dans notre test, l’omettre a produit un fichier identique à flags=bicubic.

# 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 propose aussi spline, qui s’est placé entre bicubic et Lanczos dans notre test (35,39 dB), avec des halos un peu plus faibles que ceux de Lanczos. Pour aller plus loin sur la mise à l’échelle, voir comment passer une vidéo de 720p à 1080p.

Quand une méthode de rééchantillonnage ne suffit pas

Toutes les méthodes ci-dessus calculent de nouveaux pixels à partir des anciens avec une formule fixe. Aucune ne sait distinguer un visage d’un mur, ni retrouver une texture que la caméra n’a pas enregistrée. Si un résultat en 4× paraît flou quelle que soit la méthode choisie, c’est la limite du rééchantillonnage, pas un mauvais réglage.

Les upscalers IA fonctionnent autrement. Un modèle entraîné prédit des détails plausibles à partir de ce qu’il a appris sur des images réelles, et il peut au passage supprimer les blocs de compression et le bruit. La contrepartie : les détails ajoutés sont une prédiction. L’upscaling IA face à bicubic et Lanczos compare les deux approches côte à côte, et de 480p à 4K : ce que l’IA peut récupérer montre où même l’IA atteint ses limites.

Comparer les deux dans KwaFlux

La vue de comparaison de KwaFlux affiche une version rééchantillonnée à côté du résultat IA, pour juger de la différence sur vos propres images :

1. Importez un clip ou une image et ouvrez Réparation de qualité.
2. Réglez la Résolution de sortie sur la taille voulue, par exemple 2× ou 4K.
3. Rendez un aperçu de 1, 3 ou 5 secondes. Aucun compte n’est nécessaire.
4. Ouvrez Slider compare (comparaison par curseur). Le côté « avant » montre votre source mise à la taille de sortie ; le côté « après » indique la résolution obtenue par l’agrandissement IA.

Pour les photos, les mêmes étapes fonctionnent depuis l’améliorateur d’image IA. Une seule licence couvre 23 modules vidéo, 15 modules photo, 4 outils audio, ainsi que des outils de sous-titres et de fichiers, sans crédits ni facturation à la minute ; la licence perpétuelle coûte 199,99 $ au prix catalogue, en un seul paiement.

Dépannage

Conclusion

Choisissez Lanczos ou bicubic pour agrandir, nearest-exact pour les pixels qui doivent rester francs, et dans ComfyUI, lanczos ou area pour réduire. La méthode change l’aspect des contours, mais elle ne peut pas créer de détails. Quand il vous faut des détails que la source ne contient pas, c’est un travail pour l’upscaling par IA.

Comparez l’upscaling IA à un redimensionnement classique

KwaFlux exécute l’améliorateur vidéo IA et l’améliorateur d’image sur votre propre GPU. Le traitement IA tourne sur votre propre GPU et vos fichiers média ne sont pas envoyés pour être traités. KwaFlux fonctionne sous Windows 10 (64 bits, version 1809 ou plus récente), Windows 11 et macOS 12 ou plus récent sur Apple Silicon. Les aperçus ne demandent pas de compte : 1, 3 ou 5 secondes pour la vidéo, l’image entière pour les photos. Une connexion avec un forfait payant n’est requise que pour exporter, convertir, réparer un fichier ou télécharger un fichier depuis un lien.

Télécharger KwaFlux · Voir les offres