深度卷积神经网络是怎么补出放大后的细节的
官方对原理的表述
官网常见问题里对放大原理的原文表述是：使用最新人工智能深度学习技术——深度卷积神经网络，它会将噪点和锯齿的部分进行补充，实现图片的无损放大。
拆开看有两个关键动作：
- 补充（生成）——模型见过海量图片的「低清→高清」配对，知道一条线的边缘放大后应该长什么样，于是在放大时把缺失的像素「猜」出来补上；
- 抑制（去噪）——低清图里的噪点、压缩块、锯齿在放大时会被模型识别为「不该有的东西」，按你选择的降噪强度压下去。
为什么比直接拉伸好
| 对比维度 | 传统拉伸（最邻近/双线性插值） | 神经网络放大 |
|---|---|---|
| 边缘 | 放大后出现锯齿、重影 | 线条被重新勾勒，边缘平滑 |
| 色彩 | 色块之间出现过渡脏色 | 色彩保留较好 |
| 噪点 | 噪点跟着一起放大 | 噪点被识别并抑制 |
| 观感 | 一眼假的「马赛克感」 | 接近重新绘制过的干净图 |
官方对差异的解释是：普通放大方法处理后「依然有明显的模糊感、边缘的重影以及噪点」，而这款工具通过神经网络针对放大图片的线条、颜色、网点等特点做了特殊的算法调整，所以色彩保留较好、边缘没有毛刺和重影，影响画质的噪点在结果图上基本看不出来。
处理发生在服务器上
要特别注意：模型不在你的电脑或手机上跑。你上传原图后，任务进入云端服务器排队（免费用户共享服务器，付费用户走独立高性能服务器），处理完成后返回结果。这带来两个使用上的推论：
- 放大速度取决于排队与图片尺寸，从几分钟到几十分钟不等，界面会给出预估时间；
- 是否联网、是否保持页面打开成了独立的问题——登录用户可以关掉浏览器等结果，详见离线放大机制。
「无损」要怎么理解
「无损放大」是营销层的说法，指观感上不损失清晰度，而不是数据意义上的无损编码。模型补出来的细节是基于学习的合理推测，不是原图里真实存在过的信息——第三方评测中也普遍提到，倍数越高，模型「创作」的成分越多。想要最稳的结果，优先用 2x/4x，具体见放大倍数怎么选。