Skip to content
Published on

AI画像アップスケーリング・復元 2026 完全ガイド - Topaz Photo AI・SUPIR・GFPGAN・Real-ESRGAN・CodeFormer・Magnific・Krea Upscaler 徹底比較

🇰🇷KO🇺🇸EN🇯🇵JA
Split View필사 모드
Authors

プロローグ — 小さな画像を大きく、ぼやけた画像をくっきりと

家族アルバムの800x600画素の写真を4K TVに映したらピクセルが目立った、という経験は誰しもあるだろう。ECセラーは1024pxの商品写真を印刷用の4000pxに引き伸ばしたい。映像編集者は90年代SD映像を4Kでマスタリングしたい。

従来のbicubic・Lanczos補間は情報を作り出さない — 既存のピクセルを滑らかに引き伸ばすだけだ。AIアップスケーラは違う。高解像度と低解像度のペアを大量に学習したニューラルネットワークが、もっともらしいディテールを合成する。

2026年現在、この分野は爆発的に発展している — 商用のTopaz Photo AI v3・Magnific・Kreaが一方に、オープンソースのReal-ESRGAN・SUPIR・CodeFormerが他方に、そしてその橋渡しとしてComfyUIワークフローがある。

本稿はその全体像を一気に整理する。

第1章 · なぜ画像アップスケーリングが重要なのか

アップスケーリングが必要なシナリオ:

  • 古い家族写真 — 1990年代のデジタルカメラ(VGA、0.3MP)やフィルムスキャンのノイズと不鮮明さの復元
  • 低解像度入力 — スマホのスクリーンショット、ウェブから拾った小さなサムネイル、古いゲームのキャプチャ
  • 印刷スケーリング — A4印刷では300dpi換算で約2480x3508pxが必要だが、元画像がそれより小さい場合
  • 映像スチル抽出 — 1080p映像からキャプチャした1フレームをポスターサイズで使う
  • EC・不動産 — 商品サムネイルをメインバナーサイズに拡大
  • 漫画・イラストのリマスター — 90年代~2000年代の低解像度イラストを4Kディスプレイ向けに

ポイントは単純な拡大ではない。ノイズ除去、圧縮アーティファクト除去、色補正、顔ディテール強化を一本のパイプラインで処理するのが2026年の標準だ。

第2章 · 商用AIアップスケーラ

Topaz Photo AI v3

Topaz Labsの統合製品。かつて別製品だったGigapixel(アップスケール)、Sharpen(シャープニング)、DeNoise(ノイズ除去)を一つのUIに統合した。

  • 価格: 約199ドルの買い切り(永続ライセンス + 1年間のアップデート)
  • モデル: High Fidelity、Standard、Low Resolution、CGI、Lines、Art and CG、Recoverなどケース別
  • 長所: GUIがきれいでバッチ処理、ローカルGPU加速、Photoshopプラグインに対応
  • 短所: 拡散ベースのSUPIRよりディテール合成が保守的 — 人物写真でやや「AI感」が残る

Topaz Gigapixel 8

アップスケール専用のスタンドアロン製品。バージョン8系でRecovery v2とRedefineという拡散ベースの強化モードが追加された。

  • Recoveryモード — 非常に低い解像度からでも顔やテキストを復元
  • Redefine — 拡散ベースの「再想像」モード、創造的自由度が高い

Magnific

2024年に登場し、SNSで一気に拡散した拡散ベース商用アップスケーラ。「画像を単に大きくするのではなく再解釈する」というポジショニング。

  • Magnific Sharpen (2024) — シャープニング特化製品
  • クリエイティビティ・スライダーが要 — 0で保守的、10で完全に新しいディテールを描き込む
  • HDR・Resemblanceパラメータでトーンと原画忠実度を調整
  • サブスクリプション価格(Pro 約39ドル/月、Premium 99ドル)

Krea Upscaler / Krea Enhancer

Krea AIプラットフォームのアップスケール機能。Magnificより高速・軽量が売り。リアルタイムプレビューとワークフロー統合が良い。

Adobe Photoshop Super Resolution

Camera RAWのEnhance機能。画素数を2倍(面積で4倍)にするMLモデル。無料(Creative Cloud契約者対象)で結果が安定。

Luminar Neo Upscale AI

Skylumの写真エディタLuminar Neoの拡張機能。同社の風景・人物自動補正と組み合わせて使える。

ON1 Resize AI

印刷市場で長年使われてきたON1 ResizeのAI版。大判出力時のディテール保持が強み。

Pixelmator Pro ML Super Resolution

Apple Siliconネイティブ。macOSユーザーなら追加費用なし(本体アプリ価格内)で最も手早く使えるAIアップスケーラ。Core ML加速。

Bigjpg / Lets Enhance

ウェブベースのサービス。インストール不要でブラウザからアップロード→ダウンロード。軽い用途には便利だが、大量・大サイズ処理には非効率。

第3章 · オープンソースの超解像モデル

Real-ESRGAN

Tencent ARCのXintao Wangが作った事実上の標準。practical degradation(実カメラのノイズ・JPEG・ブラーを合成した学習データ)で訓練されており、実写でよく動く。

  • モデル派生: RealESRGAN_x4plus(汎用)、RealESRGAN_x4plus_anime_6B(漫画)、RealESRNet(ノイズ少なめ)
  • ncnn VulkanバックエンドでCPU・GPU・Apple Siliconすべて動作
  • 重みライセンスはBSD 3-Clause(商用利用可、ただしモデルカード確認必須)

Real-CUGAN

Bilibiliが公開した、漫画・アニメ特化のReal-ESRGANのいとこ。イラストのラインを綺麗に保つ。

SwinIR

Swin Transformerベースの超解像。PSNR・SSIMといった定量指標が非常に高い。写実的なディテール創出よりも正確なピクセル復元が目的なら適する。

HAT (Hybrid Attention Transformer)

Chen et al, CVPR 2023。SwinIRを上回るチャネル・空間アテンション結合モデル。学術界の最新ベースライン。

DAT (Dual Aggregation Transformer)

ICCV 2023。空間・チャネル両軸でアテンションを束ねて効率向上。

DRCT (Dense-Residual-Connected Transformer)

CVPRW 2024。SwinIRの既知の弱点「情報フロー損失」を密結合で解消。

CCSR (Controllable Conditional Super-Resolution)

生成の自由度をスライダーで制御できるモデル。SUPIR系のComfyUIワークフローでよく併用される。

第4章 · 拡散ベース復元 — 本当のディテールを合成する

SUPIR (Scaling-UP Image Restoration)

Yu, Lin, Zhang et al, ECCV 2024。本質的にはStable Diffusion XLをバックボーンにした復元モデル。テキストプロンプトで意味的ガイドを与えられるので、「これは顔だ・風景だ・文字だ」をモデルが理解する。

  • 非常に大きなVRAM要件(推奨24GB、最低16GB)
  • 結果品質は2026年時点でオープンソースの実質的トップ
  • ComfyUIに統合されており実務でよく使われる

StableSR

Wang et al, IJCV 2024。Stable Diffusionを超解像の事前分布(prior)として活用。SUPIRより軽いが、ディテールはやや落ちる。

ResShift

Yue Z. et al, NeurIPS 2023。拡散ステップ数を大幅に減らして(通常15~20ステップ)速度を上げた効率重視モデル。

SeeSR

Wu et al, CVPR 2024。Semantic-awareな拡散SR。学習時にsemantic promptを注入して物体認識精度を高める。

DiffBIR

Lin et al, ECCV 2024。Blind Image Restoration — どんな種類の劣化か分からない状態での復元。2段階パイプライン(IRモジュール + 拡散精製)が特徴。

PASD (Pixel-Aware Stable Diffusion)

Yang et al, ECCV 2024。ピクセルレベルの整合性を強化した拡散SR。文字の多い画像(文書・看板)に強い。

Topaz Bloom AI

Topazが2025年に投入した拡散ベースモジュール。SUPIR・Magnific路線への商用対抗。

第5章 · 顔復元に特化したモデル

アップスケールとは別に、顔だけを専門に復元するモデル群が発達した。人間の目は顔を最も敏感に見るので、専用モデルの方がより良く動く。

GFPGAN

Xintao Wang et al, CVPR 2021。Real-ESRGANと同チームの作品。非常にぼやけた・損傷した顔を写実的に復元する。古い写真復元のほぼ標準。

  • モデルバージョン: v1.3、v1.4(最も使われる)
  • StyleGAN2 priorを活用するGAN構造

CodeFormer

Shangchen Zhou et al, NeurIPS 2022。コードブック学習で顔の同一性保持と忠実度をスライダー(wパラメータ、0~1)で調整できる。

  • w=0: 忠実度優先(原画に近い、ディテール少なめ)
  • w=1: 品質優先(滑らかだがたまに顔がわずかに変わる)
  • 古い写真、監視カメラ、低解像度のビデオ会議キャプチャの復元に強い

RestoreFormer / RestoreFormer++

Wang et al, CVPR 2022。マルチスケール・クロスアテンションで顔ディテール復元。

GPEN

Yang et al, CVPR 2021。GAN Prior Embedded Network。非常に劣化が激しい入力でも動作する。

実用的なヒント: 通常は Real-ESRGANで画像全体をアップスケール → CodeFormer/GFPGANで顔だけ再処理という2段パイプラインが標準。ComfyUIワークフロー、Stable Diffusion WebUIのExtrasタブ、Topaz Photo AIのFace Recoveryトグルすべてこのパターンだ。

第6章 · アニメ・イラスト専用アップスケーラ

実写写真と漫画は統計的分布が違う — 漫画は明確な線、平坦な色領域、ノイズはほぼゼロ。だから専用モデルが必要だ。

waifu2x

2015年から存在するクラシック。CNNベースの単純なモデルだが、漫画ノイズ・ディテール復元では今でも使える。ncnn VulkanビルドがmacOS/Windows/Linuxすべてに対応。

Real-ESRGAN Anime (RealESRGAN_x4plus_anime_6B)

Real-ESRGANの漫画特化派生。2026年現在の漫画アップスケールの事実上の標準。

Real-CUGAN

Bilibili公開。イラストの色とラインの保持が非常に良い。

Anime4K

リアルタイムGPUシェーダベース。映像プレイヤー(mpv、MPC-HC)に組み込み、再生中リアルタイムでアップスケールできる。モデルベースより品質は劣るが、コストはゼロ。

第7章 · 映像アップスケーラ

静止画ではない映像では、時間的一貫性(temporal consistency)が要 — フレームごとに違う出力が出るとチラつく。

Topaz Video AI

旧称 Video Enhance AI。映像アップスケール・デインタレース・ノイズ除去・フレーム補間を一本化。Proteus、Artemis、Iris、Rheaなどのモデルカテゴリがある。

  • 8K出力まで対応
  • 価格: 約299ドルの買い切り
  • NVIDIAとApple Silicon加速

NVIDIA RTX VSR (Video Super Resolution)

ドライバレベルでブラウザ動画再生をリアルタイムにアップスケール。Chrome/Edgeで自動動作。RTX 30/40/50シリーズが必要。

Microsoft Auto SR

2024年にSnapdragon XベースのCopilot+ PCに導入されたOSレベルのアップスケーリング。HDRトーンマッピングと結合。Windows 11に統合。

AMD FidelityFX Super Resolution (FSR) / NVIDIA DLSS

ゲーム用SR。ゲームエンジンが低解像度でレンダリング→SRがフル解像度に拡大、フレームレート向上。DLSSはRTX専用、FSRはほぼ全GPU対応。

Real-ESRGAN ncnn Vulkan + 映像スクリプト

オープンソースのワークフロー: 映像をフレーム分解→各フレームをアップスケール→再エンコード。ffmpeg + realesrgan-ncnn-vulkanの組み合わせ。無料だが時間がかかる。

FlowFrames

フレーム補間専用(24fps → 60fps)。アップスケールと組み合わせると古い映像が映画のように滑らかになる。

DaVinci Resolve Super Scale + AI Magic Mask

Resolve Studioの標準機能。インターフェースが既に馴染んでいれば、映像作業の自然な延長として使える。

第8章 · スマートフォン・カメラ内蔵AI補正

Samsung Galaxy AI Photo Edit

Galaxy S24/S25シリーズ。「写真エディタ」内のAI消しゴム・拡張・解像度補正。クラウドとオンデバイスの混合処理。

Apple Photo Cleanup + Image Playground

iOS 18以降のPhotosアプリのCleanup(不要オブジェクト除去)。Image Playgroundは生成系だが写真強化と連携。

Google Pixel Magic Eraser / Best Take / Magic Editor

Pixel 8/9ライン。Magic Editorの「Reimagine」は部分領域を拡散で描き直す機能 — 実質ミニ復元・アップスケール。

これら内蔵ツールの共通点: 結果が速くて自然だが制御は少ない。プロ作業にはTopaz・Magnific・SUPIRの方が向く。

第9章 · 古い写真復元 — エンドツーエンドのパイプライン

Bringing Old Photos Back to Life (Microsoft)

Wan et al, CVPR 2020。色褪せ・傷・紙の損傷まで処理する統合パイプライン。オープンソース(MIT)。

CodeFormerベースのパイプライン

face_restore=True, background_enhance=True, face_upsample=Trueを有効にすると、顔復元と背景アップスケールが一回で完了する。古い写真復元で最もよく使われるレシピ。

GFPGAN + Colorization

白黒写真ではGFPGANで顔復元→DeOldifyなどで彩色、という2段パイプラインが定番。

Photoshop Neural Filters

Adobe SenseiのMLフィルタ — Photo Restoration、Colorize、Smart Portrait。UIが分かりやすく結果を即座に見られるのが魅力。

推奨される実用ワークフロー

  1. 600dpi以上でスキャン(入力が良ければ結果も良い)
  2. Photoshop Neural FilterのPhoto Restorationで傷・ホコリを除去
  3. CodeFormerまたはGFPGANで顔復元
  4. SUPIRまたはTopaz Photo AIで全体アップスケール
  5. 必要に応じてDeOldifyで彩色
  6. トーン・色の微調整

第10章 · ComfyUIワークフロー — オープンソースの実用プラットフォーム

2026年のオープンソース陣営の事実上の標準GUIはComfyUIだ。ノードベースのグラフでSUPIR・CCSR・Real-ESRGAN・GFPGANをつなぐ。

代表的なワークフロー:

LoadImage
  -> ImageScale (初期補間)
  -> SUPIR Sampler (拡散復元、4倍)
  -> Face Restore (CodeFormer)
  -> SaveImage

長所: 完全無料、全パラメータが露出、バッチ処理対応、コミュニティ共有のJSONワークフロー。

短所: 学習曲線がある。自分のケースに合うワークフローを見つけるには試行錯誤が必要。

Stable Diffusion WebUI / Forge

A1111またはForge UIの「Extras」タブでスライダー操作のReal-ESRGAN・GFPGANが使える。最速の入り口。

第11章 · 評価指標 — どう「良い」を測るか

アップスケール結果を定量的に比較する指標たち:

  • PSNR (Peak Signal-to-Noise Ratio) — ピクセル差ベース。高いほど原画に近い。だが視覚的品質との相関は弱い。
  • SSIM (Structural Similarity) — 構造類似度。PSNRより人間の知覚に近い。
  • LPIPS (Learned Perceptual Image Patch Similarity) — 事前学習ネットワークの特徴量距離。人間の知覚とよく一致。低いほど良い。
  • FID (Frechet Inception Distance) — 生成モデル評価用。分布距離。
  • MUSIQ (Multi-scale Image Quality Transformer) — No-reference品質評価(原画なしで測定)。
  • NIQE (Natural Image Quality Evaluator) — 非参照の統計的自然性。

実用ヒント: PSNR/SSIMが高いほど見た目が良いとは限らない。拡散モデルはPSNRが低くてもLPIPS・MUSIQで上回ることが多い — つまり人間の目には綺麗に見えるが、ピクセル単位では原画と異なる。

第12章 · ハードウェア要件

モデル系統推奨VRAM推奨GPUApple Silicon
Real-ESRGAN ncnn2~4GBどんなGPUでもOKM1以上OK
GFPGAN/CodeFormer4~6GBRTX 3060以上M2以上推奨
SwinIR/HAT/DAT6~8GBRTX 3070以上M2 Pro以上
SUPIR16GB以上RTX 4090推奨M3 Max/Ultra
Topaz Photo AI8GB GPU推奨RTX 3070以上M1以上OK (Core ML)

CPUフォールバックは可能だが、SUPIRで1枚あたり数十分かかることもある。Apple Siliconは統合メモリのおかげで大きなモデルが意外と動く — M3 Maxの64GBならSUPIRが問題なく動く。

第13章 · 商用 vs オープンソース — どう選ぶか

軸商用 (Topaz/Magnific)オープンソース (SUPIR/Real-ESRGAN)
UXきれいで即使えるComfyUI学習が必要
品質上限良好(Topaz保守的、Magnific創造的)SUPIRが最上位
コスト買い切り約200ドルまたは月額サブスク無料(GPU費用のみ)
制御スライダー数個全パラメータ
バッチ処理ライセンス内で対応無制限
アップデート自動自分で追う

おすすめ:

  • 個人で家族写真復元だけ時々 -> Topaz Photo AIまたはPixelmator Pro
  • 写真家・デザイナーの日常ワークフロー -> Topaz Photo AI + Magnific
  • 研究・実験・完全な制御 -> ComfyUI + SUPIR
  • 大量自動処理 -> Real-ESRGAN ncnnスクリプト
  • 漫画・イラスト -> Real-CUGANまたはReal-ESRGAN Anime
  • 顔中心の復元 -> CodeFormerまたはGFPGAN

第14章 · 韓国・日本の特化サービス

韓国

  • KakaoTalk写真補正 — トーク内の「鮮明にする」機能、モバイルで軽く使える
  • NAVER写真エディタ — Naver Clovaベースの補正ツール
  • オリーブスタジオ (Olive Studio) — 写真館チェーンのAI復元サービス
  • カメラアプリSNOW・Soda・B612 — 顔加工中心だが解像度向上も含む

日本

  • 富士フイルム X-Ray AI — 富士フイルムの写真復元サービス
  • Sony Imaging Edge — Sonyカメラ RAWワークフロー + AIノイズ除去
  • Adobe Photoshop日本版 — 同じ機能、日本語UI
  • カメラメーカー自社ツール: Nikon NX Studio、Canon DPPはいずれもMLノイズ除去搭載

地域特化サービスの利点は現地決済・カスタマーサポート・証明写真などの文化機能、欠点はグローバルツールほどモデル更新が頻繁ではないこと。

第15章 · 実用ユースケース

家族写真のデジタル化

500枚のプリント写真を600dpiでスキャン→Photoshop Neural Filterでホコリ除去→CodeFormerで顔復元→Topaz Gigapixelで4倍アップスケール→白黒写真にはDeOldifyで彩色。1枚あたり2~3分。

ECセラー

自社サイトの商品画像1000x1000→4000x4000に拡大、印刷カタログとフルスクリーンバナーの両方に転用。Topaz Photo AIのバッチ処理がワークフロー標準。

不動産リスティング

物件写真はスマホごとに解像度がまちまち→Real-ESRGANまたはTopazで一貫した解像度に正規化。露出・色補正と一緒に自動化。

漫画・ウェブトゥーン・リマスター

2000年代初頭のイラスト(通常1024x1536)→Real-CUGAN 4倍→4096x6144。線が綺麗に保たれつつ色領域は滑らかになる。

映像リマスター

古い結婚式ビデオ(480i SD)→Topaz Video AIのProteusモデル→1080pまたは4K。時間的一貫性のためにモデル内蔵オプションを活用する。

監視カメラ・CCTV復元

低解像度CCTVキャプチャから顔識別を試みる→CodeFormer(w=0で忠実度優先)。ただし法廷証拠としては使えない — 拡散が作ったディテールは「偽」の可能性がある。

第16章 · 倫理・法的留意点

アップスケールは情報を合成する。見たことのないディテールを作る。だから注意が必要だ:

  • 法廷証拠としての価値はなし — CCTVや監視映像のアップスケール結果は識別の手がかりにすぎず、証拠としては認められない
  • 人物写真の同一性保持 — CodeFormerのwスライダーは低いほど原画に近いが、拡散がわずかに違う顔を描くリスクは常にある
  • 著作権 — 学習データセットに含まれた画像をモデルが「記憶」している可能性がある。商用利用ではモデルカードのライセンス確認必須
  • GDPR — ヨーロッパで人物写真をクラウドSaaSへ送る場合、データ処理同意が必要
  • デジタル偽造の懸念 — 同じ技術で偽のディテールを描き込むこともできる。報道・ジャーナリズムでは使用時に明示必須

第17章 · ワークフロー推奨 — ケース別整理

ケースA: 古い家族写真1枚をすぐに

Pixelmator ProのML Super Resolutionを1クリック→満足→終わり。5秒。

ケースB: 古い写真100枚をバッチで

ComfyUIワークフロー(GFPGAN + Real-ESRGAN)またはTopaz Photo AI Batch。

ケースC: 印刷用の風景写真

Topaz Gigapixel 8のHigh Fidelityモデル、またはSUPIRでディテール合成。

ケースD: SNSコンテンツクリエイター(創造的自由OK)

MagnificまたはKrea — クリエイティビティ・スライダーを少し上げてディテールを豊かに。

ケースE: 漫画コレクター

Real-CUGANまたはReal-ESRGAN AnimeをComfyUIでバッチ処理。

ケースF: 映像リマスター

Topaz Video AI ProteusまたはResolve Studio Super Scale。

第18章 · よくある質問

Q. PSNRが高ければ必ず良いか? A. いいえ。PSNRはピクセル差ベースなので、滑らかでぼやけた結果の方が高いPSNRになることもある。LPIPS・MUSIQと併用しよう。

Q. 拡散モデルは常により良いか? A. 写真のような自然画像にはSUPIRが最強だが、文字があったり正確なピクセルが重要な場合(文書・図面・チャート)はSwinIR・HATのような回帰型モデルの方が安定する。

Q. 無料ツールだけで十分か? A. 80パーセントのユースケースには十分だ。Real-ESRGAN + CodeFormer + GFPGANのComfyUI組み合わせで、家族写真・漫画・一般アップスケールがカバーできる。ただしUIと一貫性ではTopazが楽だ。

Q. MacでSUPIRは動くか? A. M3 Max以上で64GBの統合メモリなら動く(DiffusersのMPSバックエンド)。M2 Proの16GBは軽量なStableSR・ResShift推奨。

Q. アップスケールとインペインティングの関係は? A. インペインティング(Stable Diffusion Inpaint)は「穴埋め」、アップスケールは「サイズ拡大」だ。ただし拡散ベースのアップスケーラは事実上すべてのピクセルをインペインティングしているとも言える。

第19章 · 未来 — 2026~2027のトレンド

  • ビデオ拡散SR — 時間的一貫性を保証する拡散映像アップスケール(Stable Video Diffusion系)が本格化
  • iPhoneオンデバイスモデル — Apple IntelligenceがPhotosアプリ内で拡散アップスケールを提供する可能性
  • NPU加速 — Snapdragon X Elite・M4・Intel Lunar LakeがNPU専用のアップスケールモデルを加速
  • 低コスト・クラウドGPU — Modal・RunPod・Together AIがSUPIRをAPIとして提供
  • 著作権安全な学習データ — Adobe Firefly式の「安全に学習した」アップスケーラの登場可能性
  • 3D・4Dアップスケール — ガウシアン・スプラットやNeRFの結果を高解像度化

第20章 · チェックリスト — 入門者の初回トライ

次の順序で行こう:

  1. 無料から始める — Pixelmator Proの1クリック(Mac)またはBigjpg(ウェブ)
  2. 限界を感じたら — Topaz Photo AIのトライアル
  3. 制御が欲しくなったら — Stable Diffusion WebUI(Forge)のExtrasタブでReal-ESRGAN + GFPGAN
  4. 本気でハマったら — ComfyUIをインストール + SUPIRワークフロー
  5. 映像が必要なら — Topaz Video AIのトライアル
  6. 月100枚以上処理 → ワークフロー自動化(ComfyUIバッチまたはTopazライセンス)

エピローグ — ピクセルを増やすのではなく意味を復元する

AIアップスケーリングが面白いのは、単純な解像度変換ではないからだ。モデルは「これは人の顔」「これは葉っぱ」「これは文字」という意味を理解し、それに合ったディテールを合成する。つまりピクセルではなく意味を復元している。

ということは倫理的責任も伴うということだ。復元された写真は「ありのまま」ではなく「ありそうな姿」だ。家族アルバムの白黒写真の中で、彩色によって祖父の瞳が茶色になったとしても、それはモデルの推測でしかない。

それでも、古い結婚式の写真を4Kにしてリビングのテレビに映し、両親が微笑む瞬間 — その価値は確かに本物だ。意味は合成されたかもしれないが、感動は合成されていない。

2026年のアップスケールツール群は、かつてないほど強力で、かつてないほどアクセスしやすい。TopazでもMagnificでもComfyUIでも、自分のワークフローに合う道具を見つけて、1枚でも実際に復元してみよう。その1枚が始まりだ。

References

Discuss on Twitter • View on GitHub