SparkVSR：讓使用者也能參與的影片畫質修復技術
影片超解析（簡稱 VSR）就是把模糊、低畫質的影片變清晰、補回細節，是影片修復與後製常用的技術。雖然近年的 AI 模型在這方面進步很快，但它們大多像個黑盒子：訓練完成後，使用者只能被動接受模型吐出的結果，沒辦法插手調整，如果某個地方修得不理想，也很難針對性地修正。少數能用文字下指令的做法，也只能給很籠統的方向，沒辦法精準控制每一幀。問題的根源在於，把模糊畫面變清晰本來就沒有唯一正確答案：同一張模糊的圖，可以還原成好幾種看起來都合理、但細節不同的清晰版本，要選哪一種其實取決於使用者想要什麼，而不是單靠模型自己猜。所以作者認為，與其要使用者一幀一幀盯著改，不如讓他只挑少數幾張關鍵幀來把關；只要模型能把這幾張的修復效果可靠地擴散到整段影片，就能用很小的力氣大幅左右最終成果。基於這個想法，本文把 VSR 變成一個有使用者參與的流程，提出三項重點：以可編輯的少數關鍵幀作為控制錨點、設計一套能穩定傳播又能維持畫面結構的兩階段訓練方法，以及提供彈性的關鍵幀挑選與強度調節機制。 他們提出的方法叫 SparkVSR，運作方式很直覺：使用者（或自動程式）先挑出幾張關鍵幀，用任何一個現成的單張影像修復模型把它們修到最好（互動修圖時用 Nano-Banana-Pro，全自動時用 PiSA-SR），接著 SparkVSR 再把這幾張修好的成果，自然地延伸到整段影片，讓畫面前後一致。技術上，模型建立在現成的 CogVideoX1.5-5B 影片生成模型之上，並把整段低畫質影片和少數修好的高畫質關鍵幀分開處理：兩者各自被壓縮成精簡的數位表示後拼在一起，一起餵給核心的生成模組。為了省時間，模型只用一步就完成修復，既保住原影片的整體結構，又能專心補上細節。訓練分兩階段：第一階段先在壓縮過的空間裡練習，並刻意對關鍵幀加上各種干擾（調色、模糊、雜訊），模擬實際修圖工具會有的瑕疵；同時刻意「偶爾不給關鍵幀」（機率約一成），逼模型在沒有參考時也能自己把畫面修好。第二階段則進到實際畫面層級微調，同時練影片和單張圖片，並用多種品質指標一起把關，消除前後幀閃爍、提升細節真實感。實際使用時，使用者可以手動挑幀、讓系統自動抓影片裡品質最好的幀、或隨機取樣；還能用一個強度旋鈕自由調整：想更貼近自己修好的關鍵幀就調高，想讓模型多自由發揮、或關鍵幀本身有點瑕疵時就調低。 圖一：SparkVSR 的整體推論流程。整套架構分為...
