Stora AI-modeller har visat sig kunna reparera förvrängda bilder med förtjusande resultat, men de är ofta kopplade till dyra servrar och svårlästa källkodsbaser. En grupp forskare från Stockholms Teknik och AI Konsult bryter nu detta mönster genom att bygga fram en ny öppen lösning som når upp till samma prestanda utan de enorma kostnader som tidigare krävts.

Många befintliga restaureringsmetoder halkar efter när de möter verklig vardagsbruk eftersom träningsdatan inte speglar världen tillräckligt väl. Nyutvecklade modeller kan däremot hantera nio vanliga typer av skador, såsom brus, vattendroppar eller oskärpa, samtidigt som de bevarar originalets struktur. Det innebär att bilar kan köras säkrare och objekt kan identifieras korrekt trots dålig bildkvalitet i regn eller dimma.

Ett unikt testbank med 464 bilder, avverkade från verkliga miljöer, har skapats för att mäta framgång exakt på dessa svårigheter. I jämförande tester placerar den nya öppenmodellen sig högst bland alla gratisalternativ och når upp till nivån hos proprietära system som ofta kräver exklusivt tillträde. Detta visar att teknik kan bli både tillgänglig och effektiv för alla som behöver bättre kameraupptag i vardagen.

Källa: RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models av Yufeng Yang, Xianfang Zeng, Zhangqi Jiang, Fukun Yin, Jianzhuang Liu (https://arxiv.org/abs/2603.25502)