画像の高画質化AI、元の画像に近いのはどれ？無料の14モデルを330枚で実測｜Real-ESRGAN・Upscayl 同梱の重みも【2026年11月】

瓦屋根と、江戸時代の浮世絵の線画を、4分の1に縮めてから4倍に拡大し直しました。この1組の例では、従来の拡大（bicubic）はぼけ、Real-ESRGAN x4plus では瓦の列が濃い縞になりました。4xRealWebPhoto v4 と HAT x4 は、元の画像の瓦の並びに近い結果でした。差が出やすい区画を選んだ例です。全体の傾向は、この後の図と表で示します。

この1組では、4分の1に縮めた瓦屋根と線画を従来の拡大（bicubic）で戻すとぼけ、Real-ESRGAN x4plus と realesr-general-x4v3 では瓦の列が濃い縞になった

写真（瓦屋根）

元の画像縮める前

従来の拡大（bicubic）ぼけた

HAT x4数値の近さが最良

4xRealWebPhoto v4見た目の近さが最良

Real-ESRGAN x4plusReal-ESRGAN の標準モデル

realesr-general-x4v3測ったモデルで最速

浮世絵（線画）

元の画像縮める前

従来の拡大（bicubic）ぼけた

HAT x4数値の近さが最良

4xRealWebPhoto v4見た目の近さが最良

Real-ESRGAN x4plusReal-ESRGAN の標準モデル

realesr-general-x4v3測ったモデルで最速

編集部では、無料で使える高画質化（アップスケール）のモデル14個で、元の画像が分かっている写真190枚と浮世絵140枚を4倍に拡大し、元の画像との近さを測りました。比べた従来の拡大は bicubic と Lanczos の2種類で、以下、単に「従来の拡大」と書く時は bicubic を指します。画像は、4分の1に縮めただけの物と、縮めてから JPEG で荒らした物の2通りです。文字を描いた画像50枚は、拡大した後に文字認識で読み取れるかも測りました。

モデルは学習の条件で2つの群に分けます。「縮小だけを想定したモデル」は、HAT x4・DAT x4・SwinIR 古典 x4 の3つです。配布元の学習の設定ファイルでは、bicubic で縮めた画像（DF2K）と元の画像の対で学習します。「荒れた画像も想定したモデル」は、ぼけ・ノイズ・圧縮などの劣化を加えて学習した、残りの11個です。このうち Real-ESRGAN x4plus anime 6B と 4xHFA2k は、配布元の説明がアニメ調の絵向けです。各モデルの学習の条件は、測定の条件の表に配布元の記載のとおり載せました。

元の画像との近さは2通りで測りました。「数値の近さ」は画素の値の差の小ささ（PSNR。大きいほど近い）、「見た目の近さ」は人の見え方に近いとされる計算上の指標（LPIPS。小さいほど近い）です。2つのモデルの差は、画像ごとにどちらが近かったかを数えて判定し、偶然でも出る程度の差を「差があるとは言えない」と書きます。

数値の近さと見た目の近さで、最良のモデルは別でした。

• 縮めただけの画像の数値の近さ：縮小だけを想定した3つは、写真190枚の全部と浮世絵140枚の全部で、従来の拡大より近くなりました。荒れた画像も想定した11個は、写真の9個と浮世絵の4個が従来の拡大より遠くなりました（写真の2個と浮世絵の5個は差があるとは言えず、浮世絵の2個は近くなりました）。
• 縮めただけの画像の見た目の近さ：14個すべてが従来の拡大より近くなり、最良は 4xRealWebPhoto v4 でした。
• JPEG で荒れた画像：数値の近さは、14個すべてが従来の拡大より遠くなりました。見た目の近さは、写真で従来の拡大の0.645に対し、縮小だけを想定した3つが0.550〜0.564、荒れた画像も想定した11個が0.28〜0.40でした。

数値の近さの最良は HAT x4、見た目の近さの最良は 4xRealWebPhoto v4（縮めただけの画像）

縮小だけを想定した3つは、数値の平均が写真で26.5 dB から28.5〜28.7 dB、浮世絵で26.5 dB から29.5〜29.8 dB に上がりました。

荒れた画像も想定した11個の数値は、モデルで分かれました。Real-ESRGAN x4plus は、写真で従来の拡大より0.97 dB 低く、従来の拡大のほうが数値で近かった画像が190枚中169枚、x4plus のほうが近かった画像が21枚でした。見た目の近さは、0.444から0.231に良くなりました。くっきりさせる代わりに、元の画像に無い模様を足している可能性があります（推定。足した模様の量は測っていません）。4xRealWebPhoto v4 と 4xHFA2k は、写真では従来の拡大と差があるとは言えず、浮世絵では従来の拡大より近くなりました（4xRealWebPhoto v4 は0.66 dB）。

見た目の近さが最良の 4xRealWebPhoto v4 は、写真で0.145、浮世絵で0.131でした。次点の 4xLSDIRplusC より近かった画像は、写真で190枚中175枚、浮世絵で140枚中140枚あり、差があります。

実測表：写真と浮世絵のモデルごとの値

JPEG で荒れた画像では、縮小だけを想定した3つは見た目の改善が小さかった

数値の近さは、写真では14個すべてが従来の拡大を下回りました（−0.27〜−1.45 dB）。縮めただけの画像で数値の近さが上位3つだった、縮小だけを想定した3つも、従来の拡大より数値で近い画像は190枚中2〜5枚でした。

見た目の近さは、従来の拡大の0.645に対し、縮小だけを想定した3つが0.550〜0.564、荒れた画像も想定した11個が0.28〜0.40でした。従来の拡大より近かった画像は、縮小だけを想定した3つで写真190枚中184〜185枚、荒れた画像も想定した11個で190枚中190枚でした。浮世絵では、従来の拡大の0.724に対し、縮小だけを想定した3つが0.618〜0.632、荒れた画像も想定した11個が0.33〜0.45で、どちらの群も140枚すべてで従来の拡大より近くなりました。縮小だけを想定した3つも近づきましたが、近づく幅は荒れた画像も想定した11個より小さい結果です。

JPEG で荒れた1枚の例では、HAT x4 の出力にブロック状の荒れが残り、SwinIR-L 実写は荒れが消えた一方で瓦の列が縞になった

元の画像縮める前

従来の拡大（bicubic）ブロック状の荒れが残った

HAT x4ブロック状の荒れが残った

SwinIR-L 実写荒れは消えたが瓦が太い縞

上の1枚の例では、HAT x4 の出力にブロック状の荒れが残り、SwinIR-L 実写は荒れが消えた一方で瓦の列が縞になりました。この例は全体の傾向を示すものではなく、瓦の列が元と変わった割合は測っていません。

JPEG で荒れた写真の見た目の近さは、SwinIR-L 実写（0.281）が平均で最良でした。次点の 4xLSDIRplusC（0.287）より近かった画像は112枚、遠かった画像は78枚で、差がありますが、境界に近い結果です。写真・浮世絵、2つの条件、2つの指標の8つの組み合わせの104回の比較をまとめて補正しても p は0.049で、差はあるものの0.05のすぐ手前です。浮世絵では 4xRealWebPhoto v4（0.334）が、次点の SwinIR-L 実写（0.347）より近かった画像が140枚中95枚で、差があります。

文字：JPEG で荒れた文字の読み取りの誤りを100字あたり2.7〜7.7字まで減らしたのは、荒れた画像も想定した11個だった

縮めただけの文字では、従来の拡大（bicubic）が100字あたり2.0字（95%区間 1.5〜2.6字）の誤りで、Lanczos は3.2字でした。縮小だけを想定した3つは0.4〜0.6字で、元の画像（縮める前）の0.4字と同じ水準です。Real-HAT-GAN は3.2字で、従来の拡大より誤りが少なかった画像が6枚、多かった画像が28枚でした。BSRGAN の3.0字と Real-ESRGAN x4plus anime 6B の3.2字も多めですが、50枚では従来の拡大と差があるとは言えませんでした。

JPEG で荒れた文字では、従来の拡大が17.5字（95%区間 15.8〜19.2字）で、Lanczos は15.7字でした。realesr-general-x4v3 は2.7字、4xLSDIRplusC は2.8字、SwinIR-L 実写は3.3字です。荒れた画像も想定した11個は、どれも従来の拡大より誤りが少なくなり、画像ごとに比べると50枚中47枚以上で少ない結果でした。11個の平均は、最小の realesr-general-x4v3（2.7字）から最大の 4xHFA2k（7.7字）までです。

縮小だけを想定した3つは、モデルごとに結果が違いました。HAT x4 は13.2字で、従来の拡大より誤りが少なかった画像が37枚、多かった画像が13枚でした（減りましたが、11個の最大の7.7字よりは多い）。DAT x4 は20.1字で従来の拡大と差があるとは言えず、SwinIR 古典 x4 は20.2字で従来の拡大より誤りが多くなりました。

文字は50枚（6つの作品から5〜9枚ずつ）で、フォントは1種類です。言えるのは、この条件での傾向です。

Upscayl の同梱モデル7個のうち、2個は公開の重みと完全に一致し、2個は同じモデルの変換と推定、3個は一致しなかった

Upscayl が同梱するモデルのファイル7個を、公開されているモデルの重み（学習済みモデルのデータファイル）と、層（モデルを構成する部品）ごとに突き合わせました。

standard と digital-art の値の差は、重みの絶対値の平均に対して平均0.035%で、数値の丸めの大きさにとどまります。ただし一致の確認は層ごとの値の比較までで、同じモデルかどうかは確認できません。Upscayl のアプリそのものは実行していないため、アプリでの拡大の結果は測っていません。前の節までの結果で、lite は realesr-general-x4v3 の行、high-fidelity は 4xHFA2k の行の値に当たります。

速さとファイルの大きさ：CPU では1枚0.2秒から約24秒まで差があった

最も速い realesr-general-x4v3 は、CPU の8コアで1枚0.2秒、GPU（NVIDIA H200）で0.02〜0.03秒でした。HAT 系・SwinIR-L 実写・DAT x4 は CPU で約20秒以上かかります。GPU の2回目は、ほかの作業で GPU の使用率が100%の状態で7つのモデルを測り、そのうち6つが1回目の約2倍の時間でした。ほかの作業と共用のサーバーだったため、時間は目安の幅として読んでください。

拡大した画像を JPEG（品質90）で保存すると、従来の拡大（bicubic）に対して、写真・縮めただけの画像では1.2〜1.7倍の大きさでした。4つの条件（写真・浮世絵、縮めただけの画像・JPEG で荒れた画像）すべてでは1.08〜1.98倍でした。

用途別の選び方

縮めただけの画像を、元に忠実に大きくしたい

• 候補：HAT x4・DAT x4・SwinIR 古典 x4（Apache-2.0）
• 根拠：写真の数値の近さが26.5 dB から28.5〜28.7 dB。文字の誤りは100字あたり0.4〜0.6字（従来の拡大は2.0字）。学習データ（DF2K など）のライセンスは未確認
• 向かない場面：JPEG で荒れた画像では、数値が従来の拡大より遠くなり、見た目の近さは0.645から0.550〜0.564に近づく幅が小さい。CPU では1枚9.5〜22.6秒

JPEG で荒れた写真を、元の画像の見た目に近づけたい

• 候補：SwinIR-L 実写（Apache-2.0）・4xLSDIRplusC・4xRealWebPhoto v4（どちらも CC-BY-4.0）
• 根拠：JPEG で荒れた写真の見た目の近さが0.281〜0.288。SwinIR-L 実写が平均で最良で、次点との差は境界に近い（112枚対78枚）
• 向かない場面：数値の近さは従来の拡大より遠くなる（−0.77〜−1.45 dB）。瓦のような繰り返しの模様が元と変わった例がある（JPEG で荒れた瓦屋根の1枚）

文字が入った画像

• 候補：縮めただけの画像は HAT x4・DAT x4・SwinIR 古典 x4。JPEG で荒れた画像は realesr-general-x4v3・4xLSDIRplusC・SwinIR-L 実写（最良の realesr-general-x4v3 と、ほかの2つは差があるとは言えない）
• 根拠：JPEG で荒れた文字の誤りが100字あたり2.7〜3.3字（従来の拡大は17.5字）
• 向かない場面：JPEG で荒れた文字に DAT x4（20.1字）と SwinIR 古典 x4（20.2字）。文字は50枚・1フォント

縮めただけの画像で、見た目の近さを重視したい

• 候補：4xRealWebPhoto v4（CC-BY-4.0）
• 根拠：見た目の近さが写真で0.145、浮世絵で0.131で最良。次点の 4xLSDIRplusC より近かった画像は、写真で190枚中175枚、浮世絵で140枚中140枚
• 向かない場面：JPEG で荒れた画像では数値の近さが従来の拡大より遠くなる（写真の14個すべて）。縮めただけの写真では、数値の近さは従来の拡大と差があるとは言えない

速さを優先したい

• 候補：realesr-general-x4v3（BSD-3-Clause。Upscayl の lite と同じ重み）
• 根拠：CPU の8コアで1枚0.2秒、GPU で0.02〜0.03秒
• 向かない場面：荒れた画像も想定したモデルの中で、写真の2つの条件（縮めただけの画像・JPEG で荒れた画像）とも見た目の指標が最も悪い（0.329、0.399）。冒頭の図では瓦の列が濃い縞になった

測っていない物と理由

• waifu2x：コードは MIT ライセンスですが、編集部が確認した範囲では重みのライセンスの記載が見つかりませんでした（確認した場所は nunif と waifu2x のリポジトリの LICENSE と README、2026年11月10日）。配布元のコードも実行していません。
• 4x-UltraSharp・4x-Remacri：OpenModelDB の4x-UltraSharp のページと4x-Remacri のページの記載が CC-BY-NC-SA-4.0（非商用）のため。
• SUPIR・StableSR：配布元（SUPIR・StableSR）の記載が非商用で、配布元のコードの実行も必要なため。
• Upscayl の ultramix-balanced：元と見られるモデルのライセンスを確認できなかったため。同梱の重みは、測ったどの公開の重みとも一致しませんでした。
• DIV2K：配布ページが学術研究に限ると記載しているため、会社の媒体での数値の公表に使いませんでした。
• 有料のサービス：クラウドのサービスや有料のソフトは測っていません。

測定の条件

下の欄を開くと、モデルの一覧・データの出どころ・拡大と採点の方法・環境が表示されます。

この実測で分からないこと

• 人による見た目の評価：見た目の近さは計算上の指標だけで測りました。人の評価とは違う結果になることがあります。
• ほかの縮め方・倍率：縮め方は bicubic と、それに JPEG 品質40を重ねた2通りだけ、倍率は4倍だけです。実際の古い画像やスマホの画像の劣化は測っていません。
• 画像の偏り：Commons の写真は作者に偏り、品質評価済みの枠で探したため、美術館の収蔵品や壁画の写真も含みます。同じ作者の画像は似るため、差があるという判定が強く出すぎる可能性があります（推定）。浮世絵は、140枚のうち78枚が Utagawa Hiroshige、24枚が Katsushika Hokusai で、作者は20人です。広重の画風に結果が寄っている可能性があります（推定）。浮世絵は木版画で、アニメ調のイラストではありません。写真・浮世絵のどちらも、3DCG や図表は含みません。
• 学習データとの重なり：各モデルの学習データに、今回の画像と同じ画像が含まれているかは確認していません。含まれていれば、初めて見る画像での性能より良く出ます（推定）。
• 学習データのライセンス：縮小だけを想定した3つが学習に使った DF2K（DIV2K と Flickr2K）など、学習データのライセンスは確認していません。DIV2K は配布ページが学術研究に限ると記載しています。
• 文字：1種類のフォント、50枚、1種類の文字認識だけです。縦書き・手書き・小さい文字は測っていません。
• 元の画像に無い模様の量：「足した模様の量」の指標は、実際に足された模様とノイズの除去・強調を区別できないため使っていません。
• Upscayl のアプリ：アプリそのものの拡大の結果は測っていません。standard と digital-art の対応は推定です。
• 一般のパソコンでの速さ：サーバー用の CPU の8コアと NVIDIA H200 だけで測りました。