备案备注里的「机器学习放大图片」对应这条记录。目标不是再发一篇教程，而是记下我们实际对照过的模型族、失败条件和显卡侧约束。
问题
给定低分辨率图 (I_{LR})，求高分辨率图 (I_{HR})。经典路径把放大拆成「插值 + 残差」；生成式路径直接采样高频。GIF 单帧可以走图像模型，但时序一致性要另记，见视频超分篇。
模型族
- SRCNN / ESPCN：小卷积，适合做基线。PSNR 好看，纹理假。
- EDSR / RCAN：残差与通道注意力。研究对照时仍用来卡「无 GAN 上限」。
- Real-ESRGAN / GFPGAN：退化建模 + GAN。二次元和实拍要换权重，不能混用。
- SwinIR / HAT：窗口注意力，4× 放大细节比 ESRGAN 稳，显存更高。
- 扩散超分（StableSR 一类）：纹理丰富，容易改身份。证件、截图、UI 放大不要默认走扩散。
显卡侧
- Tensor / XMX / RDNA AI 单元对 INT8/FP16 卷积友好；注意力超分更吃显存带宽。
- 4K 整图 4× 时，优先 tile + overlap，不要整幅进 24 GB 卡。
- NVIDIA 走 TensorRT 或 FP16 PyTorch；AMD 走 ROCm / DirectML；Intel 走 OpenVINO。同一权重三端输出要对齐再写进评测，不能只报一家。
记录要点
放大倍数、退化模型（模糊、压缩、噪声）、色彩空间、是否人脸修复，四项缺一不写入对照表。PSNR/SSIM 只作回归，观感用固定图集 + 固定缩放。