MfA

在完成續篇之後擴檔測試停筆許久，但其實所有測試都早已完成，只是一次電腦意外毀損後檔案流失必須重新製作。沒想到這一等待就拖延了一年的時間，如今終於要提筆完成所有影像縮放演算法實測三部曲。在前兩篇已經完成六款軟體、22種演算法的放大及縮小測試，這次的終篇用意在補完實際應用層面上的疑問。包括了最常見的迷思：大幅度擴檔必須要逐步處理，不能一次到位完成。以及擴檔的優劣對於影像輸出至實體媒材的影響。以下就這兩點來逐一解析測試。

本篇使用的擴檔軟體和前兩篇相同，因為軟體更新有可能版本稍有不同，如 PhotoZoom Pro 7 變更為 PhotoZoom Pro 8 (8.0.6)。其他軟體的版本分別是 ON 1 resize 2020 (14.1.1.8865)，Gigspixel AI 4.9.2，和 Photoshop (21.1.1)。

分次擴檔測試

從一開始接觸數位影像處理時，不時能聽到前輩們分享擴檔不能一次調整太多，必須分段逐步完成的說法。例如欲將檔案擴大至200%，必須分多次調整由120%、150%至200%，效果會比一次調整至200%要好。這一直是個未被證實的迷思，來源有可能是傳統暗房的手法。由於將小底片一次放大至大幅相紙上，底片銀鹽顆粒也同步放大造成視覺上相當明顯，若先放大至大底片再製作負片進行最終相紙放大，則可以讓底片顆粒感較為輕微。這是以多次取樣過程的微小資訊流失來掩蓋瑕疵的作法，但能不能一體適用在數位影像處理則必須掛上問號。

這次測試就以最老牌的 BiCubic 以及各軟體當家演算法來驗證，也就是 ON1 的 Genuine Fractals、Photozoom 的 S-Spline MAX、Photoshop 的 Preserve Details 2 以及 Gigapixel AI。圖檔都放大至兩倍，並使用一次、兩次、三次、四次分階段放大來比較優劣。每次放大的比例採總次數根號計算，也就是兩次放大時每次放大比例為√2 = 141%、分三次放大時為126%、四次為119%，確保在多次放大的過程中每次的比例都維持一致。所有測試圖檔皆可點擊下載，以便自行放大比較。

首先是 BiCubic 傳統數學演算法，可見到不同次數放大至同一尺寸的圖檔在細節上沒有明顯的差異，甚至分四次擴檔的微細節有些許模糊的情況，可證實分次放大獲得較高品質的傳說實屬無稽之談。接著我們再繼續比較目前主流的自適應性演算法是否能藉由多次放大來獲得較好的結果，抑或是產生過去無法預期的結果。

Blow Up 和 S-Spline MAX 兩種強調邊緣偵測的演算法在多次放大後都有明顯的瑕疵及偽影出現，Blow Up 呈現色塊狀細節損失，S-Spline MAX 則是在邊緣出現更多的偽影，可見這兩種演算法在多次放大後成效不佳，品質甚至遠低於一次放大到位的圖檔。

至於在保留細微細節方面略勝一籌的 Fusion 和 Genuine Fractals 兩種自適應演算法雖然沒有出現明顯的瑕疵，但在多次擴檔運算後也呈現明顯的解析度下降趨勢，可見即使是以目前各軟體頂尖的演算法測試都仍然是直接一次擴大到所需尺寸才能提供最好的影像品質。

影像處理龍頭的 Photoshop Preserve Details 2 在分次擴檔的表現比起前述軟體都要更好，不容易出現奇怪的邊緣光暈或解析度下降，但分次擴大對於影像品質仍然沒有助益。以極端的一次擴檔和分四次擴檔的圖檔來比較，四次擴檔之後在極細微的細節有些微的損失，雖然已是本次測試中表現最好的演算法，但仍舊不及直接一次擴檔的效果。

分次擴檔測試最後來到 AI 運算的 Gigapixel，乍看之下似乎在經過多次擴檔之後解析度提升了，但細看其實是邊緣偽影產生的錯覺，且影像出現許多細部白點的產生，總體而言仍舊是以一次完成擴檔的品質要最為優異。

經過以上各家擴檔演算法的實測後我們可以發現，不論是傳統運算、自適應演算或是 AI 模組，擴檔品質都是以一次直接完成最好，分成多次擴檔會造成各種不同的影像瑕疵及解析度下降。由此可知，過去坊間相傳的方法不僅無法達到預期效益，甚至會帶來明顯的缺點。數位創作者不應再聽從過去的都市傳說，若圖檔尺寸不足需要擴大時直接一次到位即可。

擴檔輸出測試

經過各家軟體不同演算法的放大、縮小、分段測試，創作者最關心的應該還是對於實際輸出品質是否真有助益？或只是流於檔案資料的數字遊戲而已呢？最後的測試以圖檔原始大小輸出至 90 dpi 解析度不足的實體尺寸，與擴檔四倍後以 360 dpi 輸出至相同尺寸來做比較，模擬像素不足時擴檔插補點再行輸出的做法。輸出後再掃描實體相紙進行比較，讓大家了解使用軟體擴檔是否真的能夠提升最終輸出品質。

測試使用 BiCubic 作為基準值，同時有 Preserve Details 2、Genuine Fractals、S-Spline MAX、Gigapixel AI 擴檔之後的輸出做為測試對象。輸出使用 Epson SureColor P9000 輸出機，透過 Caldera RIP 控制，紙材為三菱亮面相紙。同樣地，掃描比較圖檔皆可點擊下載，以便自行放大比較效果。

原始未擴檔影像由於輸出解析度只有 90 dpi，輸出後仍可見到解析度過低產生的像素鋸齒狀，使用 RIP 自動補插點功能後此狀況有效緩解，效果與 bicubic 擴檔至 360 dpi 相當接近，但精細度似乎仍遜一籌。畢竟 RIP 軟體是專為輸出設計，並非影像處理軟體，若影像需要較高品質的補點效果仍應使用專職軟體處理較為洽當。

PhotoZoom Pro 和 ON1 resize 擴檔後輸出的品質稍有提升，S-Spline MAX 較強調邊緣的特性讓影像乍看下較為銳利一些，但微觀細節似乎是 Genuine Fractals 要好一點。Photoshop 的 Preserve Details 2.0 的表現比上述軟體更好一些，但邊緣鋸齒的問題較為明顯。Gigapixel AI 就算輸出後仍然在影像品質上獲得壓倒性的勝利，雖然仍有部分邊緣偽影的問題，但解析度遙遙領先其他軟體的演算法。尤其是對於自然景物如樹林的表現令人印象深刻，似乎無中生有「畫」出了樹葉的形狀。

人像照片的輸出測試就沒有風景這麼明顯的差異，也許是因為細節不夠多的關係，各演算法的擴檔檔案在輸出之後表現很接近。比較特別的是 Preserve Details 2.0 很明顯因為針對人像做特殊運算，所以並未如前項測試勝過其他軟體，細節顯得較為含糊。至於 Gigapixel AI則是一貫的超高解析，在輸出之後仍可明顯見到鼻孔周圍「粒粒分明」的粉刺，這對於後製修圖不夠精細的肖像也許不太討喜。

來到繪畫翻拍的輸出比較，在檔案比較時就已經可以看出擁有高品質的原始檔案對於擴檔之後的品質會有明顯助益，即便是輸出後也維持著同樣的狀況，可以明顯以肉眼看出輸出品質上的差別。未擴檔原圖呈現明顯的鋸齒狀，經過擴檔的輸出影像都能避免掉這個情形。但是在初階的擴檔方式上，由 RIP 自動補點和 BiCubic 擴檔的輸出成品似乎在細節上稍顯模糊，若手邊沒有其他專業擴檔方式，建議檔案必須經過銳利化處理。S-Spline MAX 和 Gunuie Fractals 檔案輸出與原始檔案相比都呈現明顯的提升，Preserve Details 2.0 同樣也維持相當好的成果，這幾款演算法都能有效改善圖檔尺寸不足造成的輸出品質下降問題。Gigapixel AI 則是再次讓人驚艷，不論是顏料筆觸或是畫布紋路都呈現驚人的細節，不只是避免輸出解析度過低的鋸齒問題，影像細節甚至還超出原有的檔案。

最後同樣以原始圖檔相當糟糕的地圖來做輸出比較，RIP 自動補點和 BiCubic 在此並沒有比原檔明顯優異的表現，甚至有點過於模糊的感覺。S-spline MAX 則是有偽影過多的感覺，Preserve Details 2.0 也並不出色，僅是避免了鋸齒狀瑕疵，但整體品質並沒有好轉。反而是不強調邊緣、偏向細微解析的 Genuine Fractals 擴檔後輸出的表現比較討喜一些。至於 Gigapixel AI 則是自己畫出了許多原本佚失的細節，適不適合必須要自己斟酌。

經過以上真實輸出後掃描的圖檔比較可以得知，大多數情況下經過擴檔的檔案在輸出後仍可明顯辨識出不同演算法的優劣，且能夠有效補償解析度不足造成的鋸齒問題。原始圖檔品質越好各演算法之間的差異越明顯，這點在實際輸出時仍然有效。所以若是追求最佳的輸出品質 MfA 仍舊推薦使用 Gigapixel AI 運算，再以人工小心檢視、去除一些不自然的偽影之後，能夠有效彌補原始圖檔尺寸不足造成輸出解析度過低的問題，即便將影像放大輸出至四倍都能保有優異的細節。

超解析的可能

以上測試都是著重於「補救」影像尺寸不足，相對屬於消極的防禦，但有沒有可能藉由現代軟體發展做出積極的攻擊呢？在圖檔尺寸本身足供輸出需求時，若再擴檔增加像素，能夠提升實際的輸出品質嗎？這點是個人非常好奇的，所以最後又再額外追加測試了這個項目。設定輸出尺寸至各原始圖檔 360 dpi，然後將擴檔的影像輸出至同樣尺寸，解析度會達到 1440 dpi。其他測試條件都和前項輸出測試相同，掃描圖檔可點擊下載比較。

在風景照片測試中，以傳統的 BiCubic 擴檔無法取得影像品質的改進，輸出後與原檔相比看不出明顯差異。以 S-Spline MAX、Genuine Fractals 擴檔後輸出似乎在銳利度上稍有提升，但也不到明顯的差別，也有可能是邊緣對比提高造成的錯覺，Preserve Details 2 也是類似的情形。但若將這三者輸出圖片與原始檔案輸出並排比較，的確能夠以肉眼看出細微的差異。最後以 Gigapixel AI 擴檔輸出則可見到明顯的差異，不論是在牆壁的斑駁紋路或是樹梢的細節都有大幅提升，且因解析度設定達到 1440 dpi，邊緣偽影的瑕疵在實際輸出上無法辨別，反而避免了此一缺點。

人像照片的實際輸出比較也呈現類似的情形，傳統 BiCubic 演算法與原檔看不出差異，自適應性演算法呈現似乎稍有銳化的效果，而 Gigapixel AI 擴檔的檔案輸出呈現出更多的豐富細節。

在原始圖檔細節和解析度非常優異的情況下不同自適應性演算法間的差異較小，但和原始檔案相比都有更好的提升效果，也就是說以軟體擴檔之後都能比原始檔案呈現更為銳利的輸出細節。同樣地，BiCubic 擴檔後的檔案對輸出品質沒有明顯助益，Gigapixel AI 還是提供最好的效果，但因其他演算法也可提供相當的品質，故差異沒有前兩張圖片明顯。

測試最後一樣使用原始圖檔品質低劣的地圖，可以發現各種演算法都呈現類似的效果，在其他圖片的測試中能夠提升輸出品質的三種自適應性演算法在這個部分的測試幾乎無用武之地。但 Gigapixel AI 則呈現了完全不同的狀況，圖檔檢視時看到許多偽影和過度銳利邊緣的情況在輸出後幾乎不可見，這是由於超高的輸出解析度所致，所以反而可以掩蓋擴檔運算的不自然感，達到超越原始圖檔甚多的輸出細節表現。

總結四張圖檔以擴檔後相對原始圖檔四倍的解析度設定輸出，傳統的數學演算法對於品質似乎沒有明顯影響，BiCubic 擴檔之後輸出的圖片在各種圖檔比較中都難以分出差異。但自適應性演算法就呈現了較為銳利扎實的感覺，Preserve Details 2、Genuine Fractals、S-Spline MAX 三款軟體之間的差異並不明顯。而 Gigapixel AI 可以藉由軟體猜測運算出原本沒有的細節，在輸出後仍然可以明顯看出其中差異，且因為超高的解析度能夠掩蓋部分擴檔的瑕疵，讓整體輸出品質超過原始圖檔甚多。這證實了 MfA 一開始的猜測，的確可以藉由軟體擴檔取得超出原始圖檔輸出的效果，將擴檔作為一個積極提升品質的工具，而非僅止於彌補像素不足的消極補救工具。

總結

歷時超過一年、4種圖檔、16個擴檔方式、超過400個檔案比較的大規模測試終於在此完成，經由各種放大 / 縮小測試，以及分批擴檔和實際運用，希望能夠對追求高品質影像處理及後端輸出的工作者有些微助益。綜觀全部測試 Gigapixel AI 呈現絕對的優勢，雖仍有不足之處，但已可見 AI 影像處理的應用進入實用化，這絕對是宣告下一波革命性的進展開始。

回想起這個測試的起源，是因為業內所謂的專家說了句「擴檔才沒這麼簡單」(憑印象，非準確用字)，但完全沒有其他說明或心得與建議，僅是想把此作為塑造自己山頭上大師形象的手段。如此行為對整體市場或使用者沒有任何幫助，和 MfA 一貫秉持的理念也完全相反，所以才催生了這個三篇的大規模測試，把所有內容分享給有興趣的人們。這同時也會是 MfA lab. 部落格的最後一篇分享，十多年來零零碎碎寫了一些與輸出相關的測試和心得，希望對整體環境有所幫助。在這其中同時也發現一些缺憾與不足之處，接下來雖然將停止更新但內容仍會完整保留在此，並著手規劃更系統性完整分享相關知識的方法。

感謝這些年來觀看過 MfA、鼓勵過 MfA，或是曾因為因此受惠感謝過 MfA 的所有人。暫時先畫下一個逗點，期待未來我們在高品質影像輸出的路上再相見。