Las im\u00e1genes a\u00e9reas son una mina de oro: antiguos levantamientos, inventarios forestales, seguimientos costeros, planos catastrales digitalizados…<\/p>\n\n\n\n

Pero a menudo adolecen de un problema importante: la baja resoluci\u00f3n. Borrosidad, pixelaci\u00f3n, texturas aplastadas, p\u00e9rdida de detalles… tantas limitaciones que complican el an\u00e1lisis espacial.<\/p>\n\n\n\n

Desde hace unos a\u00f1os, una tecnolog\u00eda derivada del Deep Learning est\u00e1 cambiando por completo las reglas del juego: ESRGAN (Enhanced Super Resolution Generative Adversarial Network).<\/p>\n\n\n\n

Desarrollado inicialmente para mejorar la calidad de las im\u00e1genes en los videojuegos, ESRGAN se ha convertido en una herramienta muy valiosa en teledetecci\u00f3n, fotogrametr\u00eda y geom\u00e1tica.<\/p>\n\n\n\n

Contenu <\/p>\nToggle<\/span>

\u00bfPor qu\u00e9 ESRGAN para im\u00e1genes a\u00e9reas?<\/a><\/li>
\u00bfC\u00f3mo funciona ESRGAN? (en versi\u00f3n simplificada)<\/a><\/li>
Ejemplo: superresoluci\u00f3n x4 en una fotograf\u00eda a\u00e9rea (gen\u00e9rica)<\/a><\/li>
Usar Real-ESRGAN-ncnn-vulkan en Windows<\/a><\/li>
1) Descarga y preparaci\u00f3n (r\u00e1pida)<\/a><\/li>
2) Comando b\u00e1sico y par\u00e1metros (explicados)<\/a><\/li>
3) Canalizaci\u00f3n para im\u00e1genes georreferenciadas (m\u00e9todo sencillo y fiable)<\/a>
- Pasos (manuales)<\/a><\/li><\/ul><\/li>
- 4) Script por lotes de Windows (autom\u00e1tico para toda una carpeta)<\/a><\/li>
- 5) Consejos y errores que hay que evitar<\/a><\/li>
- 6) A\u00f1adir GFPGAN (opcional)<\/a><\/li>
- IIntegraci\u00f3n en QGIS<\/a>
  - 1. A trav\u00e9s del procesamiento Python (Processing Toolbox)<\/a><\/li>
  - 2. A trav\u00e9s de un plugin externo<\/a><\/li>
  - 3. A trav\u00e9s de un flujo de trabajo R\/W de im\u00e1genes<\/a><\/li><\/ul><\/li>
  - Ventajas<\/a><\/li>
  - L\u00edmites<\/a><\/li>
  - \u00bfHacia un ESRGAN especializado en \u00abim\u00e1genes a\u00e9reas\u00bb?<\/a><\/li>
  - Conclusi\u00f3n<\/a><\/li><\/ul><\/nav><\/div>\n\n\n\n\n
    \n\n\n\n
    En este art\u00edculo, exploraremos c\u00f3mo ESRGAN permite mejorar la resoluci\u00f3n de im\u00e1genes a\u00e9reas antiguas, cu\u00e1les son sus ventajas y limitaciones, y c\u00f3mo utilizarlo en una cadena de procesamiento compatible con QGIS.<\/p>\n\n\n\n
    \n\n\n\n
    <\/span>\u00bfPor qu\u00e9 ESRGAN para im\u00e1genes a\u00e9reas?<\/span><\/h2>\n\n\n\n
    A diferencia de los algoritmos cl\u00e1sicos de remuestreo (bic\u00fabico, bilineal), ESRGAN no se limita a ampliar la imagen.<\/p>\n\n\n\n
    Reconstruye los detalles que faltan bas\u00e1ndose en un aprendizaje profundo a partir de miles de im\u00e1genes de alta resoluci\u00f3n.<\/p>\n\n\n\n
    ESRGAN puede:<\/p>\n\n\n\n
    - preparar im\u00e1genes para la segmentaci\u00f3n o la clasificaci\u00f3n autom\u00e1tica.<\/li>\n<\/ul>\n\n\n\n
      Para los geom\u00e1ticos, se trata de un cambio de escala:<\/p>\n\n\n\n
      \n
      por fin se pueden aprovechar im\u00e1genes a\u00e9reas antiguas cuya calidad hasta ahora era un obst\u00e1culo.<\/p>\n<\/blockquote>\n\n\n\n
      \n\n\n\n
      <\/span>\u00bfC\u00f3mo funciona ESRGAN? (en versi\u00f3n simplificada)<\/span><\/h2>\n\n\n\n
      ESRGAN se basa en dos redes neuronales:<\/p>\n\n\n\n
      \n
      Un generador que intenta producir una versi\u00f3n realista de alta resoluci\u00f3n.<\/li>\n\n\n\n
      Un discriminador que intenta distinguir las im\u00e1genes generadas de las im\u00e1genes reales de alta resoluci\u00f3n.<\/li>\n<\/ul>\n\n\n\n
      Ambos se mejoran mutuamente hasta producir una imagen detallada, n\u00edtida y coherente.<\/p>\n\n\n\n
      ESRGAN es especialmente interesante para las fotograf\u00edas a\u00e9reas porque:<\/p>\n\n\n\n
      \n
      aprende de las texturas naturales (suelos, tejados, vegetaci\u00f3n)<\/li>\n\n\n\n
      gestiona bien el ruido<\/li>\n\n\n\n
      limita los artefactos propios de los escaneos antiguos (grano, halos)<\/li>\n<\/ul>\n\n\n\n
      \n\n\n\n
      <\/span>Ejemplo: superresoluci\u00f3n x4 en una fotograf\u00eda a\u00e9rea (gen\u00e9rica)<\/span><\/h2>\n\n\n\n
      Partimos de una imagen a\u00e9rea digitalizada en 512\u00d7512 px.<\/p>\n\n\n\n
      \n
      Resoluci\u00f3n original: borrosa, detalles difuminados.<\/li>\n\n\n\n
      ESRGAN \u00d74 \u2192 salida en 2048\u00d72048 px.<\/li>\n\n\n\n
      Mejoras observadas:\n
      \n
      mejor lectura de las parcelas;<\/li>\n\n\n\n
      contornos de los tejados m\u00e1s n\u00edtidos;<\/li>\n\n\n\n
      carreteras y pistas claramente visibles;<\/li>\n\n\n\n
      texturas del suelo mejor reconstruidas.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n
      \n
      $\"\"$ <\/a>
      Image de 1960<\/figcaption><\/figure>\n<\/div>\n\n
      \n
      $\"\"$ <\/a>
      Image de 1948<\/figcaption><\/figure>\n<\/div>\n\n\n
      \n\n\n\n
      <\/span>Usar Real-ESRGAN-ncnn-vulkan en Windows<\/span><\/h2>\n\n\n\n
      Veremos:<\/p>\n\n\n\n
      \n
      descarga y carpeta<\/li>\n\n\n\n
      comando b\u00e1sico y par\u00e1metros \u00fatiles<\/li>\n\n\n\n
      flujo de trabajo \u00abimagen georreferenciada \u2192 SR \u2192 GeoTIFF\u00bb (autom\u00e1tico)<\/li>\n\n\n\n
      script por lotes de Windows listo para pegar<\/li>\n\n\n\n
      consejos\/errores que hay que evitar y opciones avanzadas<\/li>\n\n\n\n
      opci\u00f3n: encadenar GFPGAN (restauraci\u00f3n de rostros\/detalles)<\/li>\n<\/ol>\n\n\n\n
      \n\n\n\n
      <\/span>1) Descarga y preparaci\u00f3n (r\u00e1pida)<\/span><\/h2>\n\n\n\n
      \n
      Descargue el archivo realesrgan-ncnn-vulkan desde la p\u00e1gina Releases del proyecto (archivo realesrgan-ncnn-vulkan-*-windows.zip).<\/li>\n\n\n\n
      Descomprima en C:\\SR\\realesrgan-ncnn-vulkan-20220424-windows, por ejemplo.<\/li>\n\n\n\n
      Coloque las im\u00e1genes de entrada en C:\\SR\\input\\ (formatos PNG\/JPG\/TIF).<\/li>\n\n\n\n
      Cree C:\\SR\\output\\ para los resultados.<\/li>\n<\/ul>\n\n\n\n
      \n\n\n\n
      <\/span>2) Comando b\u00e1sico y par\u00e1metros (explicados)<\/span><\/h2>\n\n\n\n
      Comando m\u00ednimo (x4, modelo realesrgan-x4plus):<\/p>\n\n\n
      <\/div>
      <\/div>
      <\/div><\/div>
      <\/p>\n\n\n\n
      .\\realesrgan-ncnn-vulkan.exe -i C:\\SR\\input\\image.png -o C:\\SR\\output\\image_x4.png -n realesrgan-x4plus\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n Par\u00e1metros \u00fatiles:<\/p>\n\n\n\n \n-i <ruta>: imagen de entrada<\/li>\n\n\n\n -o <ruta>: imagen de salida<\/li>\n\n\n\n -n <nombre_modelo>: modelo (realesrgan-x4plus, realesrnet-x4plus, realesrgan-x4plus-anime, etc.)<\/li>\n\n\n\n -s <escala>: factor de ampliaci\u00f3n (a veces gestionado por el modelo; mantenga -s 4 para x4)<\/li>\n\n\n\n -tile <N>: tama\u00f1o del mosaico (por ejemplo, -tile 200): reduce el uso de memoria de la GPU\/CPU, \u00fatil para im\u00e1genes grandes.<\/li>\n\n\n\n -t <N>: subprocesos de la CPU (opcional)<\/li>\n\n\n\n -g <\u00edndice>: \u00edndice de GPU (si hay varios)<\/li>\n\n\n\n –help: muestra todas las opciones<\/li>\n<\/ul>\n\n\n\nConsejo: si tu equipo no es muy potente, utiliza -tile 150 o -tile 100.00<\/code>.<\/p>\n\n\n\n \n\n\n\n<\/span>3) Canalizaci\u00f3n para im\u00e1genes georreferenciadas (m\u00e9todo sencillo y fiable)<\/span><\/h2>\n\n\n\nPrincipio: se realiza el escalado de la imagen r\u00e1ster (PNG\/TIF) y, a continuaci\u00f3n, se recrea un GeoTIFF volviendo a aplicar el envolvente geogr\u00e1fico (l\u00edmites) de la imagen de origen, lo que conserva la geometr\u00eda espacial y ajusta la resoluci\u00f3n al factor de ampliaci\u00f3n.<\/p>\n\n\n\n <\/span>Pasos (manuales)<\/span><\/h3>\n\n\n\n\nRecuperar el contorno (l\u00edmites) y el CRS del original: gdalinfo -json C:\\SR\\input\\image.tif > info.json o leer directamente Upper Left (ulx, uly) y Lower Right (lrx, lry) desde gdalinfo image.tif.<\/li>\n\n\n\n Ejecutar Real-ESRGAN en la imagen (image_non_geo.png o convertida): .\\realesrgan-ncnn-vulkan.exe -i C:\\SR\\input\\image.png -o C:\\SR\\output\\image_x4.png -n realesrgan-x4plus -tile 150<\/li>\n\n\n\n Recree un GeoTIFF con la misma envoltura pero con un nuevo tama\u00f1o: Si la envoltura original es (ulx, uly, lrx, lry), reutil\u00edcela. Ejemplo: gdal_translate -of GTiff -a_srs EPSG:XXXXX -a_ullr ulx uly lrx lry C:\\SR\\output\\image_x4.png C:\\SR\\output\\image_x4_georef.tif\n\n-a_srs EPSG:XXXXX: el CRS del original (por ejemplo, EPSG:4326<\/a> o EPSG:3857)<\/li>\n\n\n\n -a_ullr ulx uly lrx lry: esquinas en coordenadas espaciales (esquina superior izquierda X,Y; esquina inferior derecha X,Y)<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\nPor qu\u00e9 funciona: se aplica la envolvente geogr\u00e1fica original a la imagen con resoluci\u00f3n superior. El nuevo tama\u00f1o en p\u00edxeles\/px se corresponder\u00e1 autom\u00e1ticamente con una nueva resoluci\u00f3n espacial (tama\u00f1o de p\u00edxel = tama\u00f1o de p\u00edxel original \/ escala).<\/p>\n\n\n\n Nota: si desea ser extremadamente preciso en el encabezado geo-transform en lugar de -a_ullr, puede calcular y aplicar la nueva geotransformaci\u00f3n mediante gdal_edit.py -a_ullr o utilizando un script Python GDAL, pero gdal_translate -a_ullr es sencillo y robusto.<\/p>\n\n\n\n \n\n\n\n<\/span>4) Script por lotes de Windows (autom\u00e1tico para toda una carpeta)<\/span><\/h2>\n\n\n\nPegue el siguiente archivo en C:\\SR\\run_sr_georef.bat, modifique las rutas y la proyecci\u00f3n utilizada, y luego ejec\u00fatelo.<\/p>\n\n\n<\/div>run_sr_georef.bat<\/div><\/div><\/div><\/p>\n\n\n\n@echo off\nsetlocal enabledelayedexpansion\n\nset OUTDIR=output\nif not exist %OUTDIR% mkdir %OUTDIR%\n\nREM === Boucle sur tous les tif de input ===\nfor %%F in (input\\*.tif) do (\n echo -------------------------------\n echo Traitement de : %%F\n\n set BASENAME=%%~nF\n\n REM === Extraction coordonn\u00e9es ===\n for \/f \"tokens=2,3,4,5 delims=(,)\" %%a in ('gdalinfo \"%%F\" ^| find \"Upper Left\"') do (\n set ULX=%%a\n set ULY=%%b\n )\n\n for \/f \"tokens=2,3,4,5 delims=(,)\" %%a in ('gdalinfo \"%%F\" ^| find \"Lower Right\"') do (\n set LRX=%%a\n set LRY=%%b\n )\n\n echo ULX=!ULX!\n echo ULY=!ULY!\n echo LRX=!LRX!\n echo LRY=!LRY!\n\n REM === 1. Extraction PNG temporaire ===\n gdal_translate -of PNG \"%%F\" temp.png\n\n REM === 2. Super-r\u00e9solution ===\n C:\\SR\\realesrgan-ncnn-vulkan-20220424-windows<\/mark>\\realesrgan-ncnn-vulkan.exe -i temp.png -o temp_sr.png -s 4\n\n REM === 3. Conversion en TIF g\u00e9or\u00e9f\u00e9renc\u00e9 ===\n gdal_translate temp_sr.png \"%OUTDIR%\\!BASENAME!_sr.tif\" -a_ullr !ULX! !ULY! !LRX! !LRY! -a_srs EPSG:2154<\/mark>\n\n echo Resultat : %OUTDIR%\\!BASENAME!_sr.tif\n echo DONE\n)\n\nREM === Suppression fichiers temporaires ===\ndel temp.png\ndel temp_sr.png\n\n\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n <\/a><\/figure>\n\n\n\nNotas:<\/p>\n\n\n\n \nEste script asume que gdalinfo.exe y gdal_translate.exe se pueden encontrar (a\u00f1ada las rutas si es necesario).<\/li>\n\n\n\n El script convierte primero a PNG para evitar ciertos TIF con compresiones ex\u00f3ticas que har\u00edan fallar el ejecutable.<\/li>\n\n\n\n -a_ullr toma los l\u00edmites exactos. Si el original tuviera una geotransformaci\u00f3n ligeramente no axial (rotaci\u00f3n), -a_ullr perder\u00eda la rotaci\u00f3n; caso raro en ortofotos: si hay rotaci\u00f3n, se necesitar\u00e1 un script GDAL Python m\u00e1s avanzado.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>5) Consejos y errores que hay que evitar<\/span><\/h2>\n\n\n\n\nConserve el original: nunca trabaje sobre el original, guarde una copia.<\/li>\n\n\n\n Compresi\u00f3n incorrecta\/TIF ex\u00f3ticos: convertir a PNG suele ser m\u00e1s seguro.<\/li>\n\n\n\n Rotaci\u00f3n\/shearing: -a_ullr no supone rotaci\u00f3n. Para im\u00e1genes georreferenciadas con rotaci\u00f3n, es necesario reescribir la geotransformaci\u00f3n completa \u2192 script Python GDAL para aplicar SetGeoTransform. Av\u00edsame si te encuentras en este caso.<\/li>\n\n\n\n Alucinaciones: ES(R)GAN puede inventar detalles que no son reales: comprueba visualmente y documenta el procesamiento.<\/li>\n\n\n\n Tama\u00f1o enorme: para im\u00e1genes muy grandes (>10 000 px), utiliza -tile peque\u00f1o (50-150) y suficiente RAM\/disco temporal.<\/li>\n\n\n\n Metadatos: el GeoTIFF final no incluye autom\u00e1ticamente los metadatos EXIF de la imagen; si es necesario, utiliza gdal_copy o gdal_translate -co para a\u00f1adir informaci\u00f3n.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>6) A\u00f1adir GFPGAN (opcional)<\/span><\/h2>\n\n\n\nSi la foto contiene personas\/fachadas da\u00f1adas y desea mejorar localmente los rostros\/detalles despu\u00e9s de SR:<\/p>\n\n\n\n \nInstale GFPGAN (o descargue el ejecutable si est\u00e1 disponible).<\/li>\n\n\n\n Inicie GFPGAN en la salida SR:<\/li>\n<\/ol>\n\n\n\ngfpgan.exe -i image_x4.png -o image_x4_gfpgan.png --upscale 1\n<\/code><\/pre>\n\n\n\n \n\n\n\n<\/span>I<\/strong>Integraci\u00f3n en QGIS<\/span><\/h2>\n\n\n\nExisten tres m\u00e9todos sencillos para utilizar ESRGAN en QGIS:<\/p>\n\n\n\n <\/span>1. A trav\u00e9s del procesamiento Python (Processing Toolbox)<\/span><\/h3>\n\n\n\nCrear un script Python que:<\/p>\n\n\n\n \ntome una trama como entrada<\/li>\n\n\n\n ejecute ESRGAN<\/li>\n\n\n\n recargue autom\u00e1ticamente la imagen mejorada en QGIS<\/li>\n<\/ul>\n\n\n\n<\/span>2. A trav\u00e9s de un plugin externo<\/span><\/h3>\n\n\n\nCrear un complemento personal basado en:<\/p>\n\n\n\n \nun bot\u00f3n \u00abSuperresoluci\u00f3n ESRGAN\u00bb<\/li>\n\n\n\n una interfaz sencilla: modelo, factor \u00d72\/\u00d74, archivo de entrada<\/li>\n<\/ul>\n\n\n\n<\/span>3. A trav\u00e9s de un flujo de trabajo R\/W de im\u00e1genes<\/span><\/h3>\n\n\n\nUtilizar ESRGAN en el pretratamiento antes de importar las im\u00e1genes a QGIS<\/p>\n\n\n\n \u2192 ideal para ortofotos antiguas.<\/p>\n\n\n\n \n\n\n\n<\/span>Ventajas<\/span><\/h2>\n\n\n\n✔ Da nueva vida a los archivos a\u00e9reos.<\/p>\n\n\n\n ✔ Permite un an\u00e1lisis m\u00e1s preciso en teledetecci\u00f3n.<\/p>\n\n\n\n ✔ \u00datil para extraer objetos (edificios, playas, barrancos, etc.).<\/p>\n\n\n\n ✔ Funciona con im\u00e1genes muy degradadas.<\/p>\n\n\n\n ✔ Ecosistema 100 % de c\u00f3digo abierto.<\/p>\n\n\n\n \n\n\n\n<\/span>L\u00edmites<\/span><\/h2>\n\n\n\n⚠ ESRGAN no adivina la realidad:<\/p>\n\n\n\n \nreconstruye detalles plausibles, sin garantizar su exactitud.<\/li>\n<\/ul>\n\n\n\n⚠ Riesgo de artefactos en:<\/p>\n\n\n\n \nbordes muy contrastados<\/li>\n\n\n\n zonas urbanas heterog\u00e9neas<\/li>\n\n\n\n sombras profundas<\/li>\n<\/ul>\n\n\n\n⚠ Evitar para:<\/p>\n\n\n\n \ncartograf\u00eda reglamentaria<\/li>\n\n\n\n an\u00e1lisis que deben reflejar la realidad con precisi\u00f3n de p\u00edxeles<\/li>\n<\/ul>\n\n\n\nPero para la cartograf\u00eda exploratoria, la preparaci\u00f3n de datos o el trabajo patrimonial, es una herramienta extremadamente potente.<\/p>\n\n\n\n \n\n\n\n<\/span>\u00bfHacia un ESRGAN especializado en \u00abim\u00e1genes a\u00e9reas\u00bb?<\/span><\/h2>\n\n\n\nUna pista de investigaci\u00f3n apasionante: entrenar un ESRGAN espec\u00edficamente en:<\/p>\n\n\n\n \nortofotos de alta resoluci\u00f3n<\/li>\n\n\n\n im\u00e1genes a\u00e9reas actuales (10-20 cm\/p\u00edxel)<\/li>\n\n\n\n texturas naturales tropicales, costeras o agr\u00edcolas<\/li>\n<\/ul>\n\n\n\nEsto dar\u00eda como resultado un modelo perfectamente adaptado al escaneo de archivos de los a\u00f1os 1960-1990.<\/p>\n\n\n\n \n\n\n\n<\/span>Conclusi\u00f3n<\/span><\/h2>\n\n\n\nESRGAN est\u00e1 transformando literalmente nuestra capacidad para explotar las im\u00e1genes a\u00e9reas.<\/p>\n\n\n\n Por primera vez, es posible recuperar detalles de datos antiguos y convertirlos en fuentes utilizables para la geom\u00e1tica moderna.<\/p>\n\n\n\n El acceso a modelos de c\u00f3digo abierto y a PyTorch abre el camino a un nuevo ecosistema de herramientas libres… al servicio de la historia, el medio ambiente y la cartograf\u00eda.<\/p>\n\n\n\n \n\n\n\n<\/p>\n","protected":false},"excerpt":{"rendered":" Las im\u00e1genes a\u00e9reas son una mina de oro: antiguos levantamientos, inventarios forestales, seguimientos costeros, planos catastrales digitalizados… Pero a menudo adolecen de un problema importante: la baja resoluci\u00f3n. Borrosidad, pixelaci\u00f3n, texturas aplastadas, p\u00e9rdida de detalles… tantas…<\/p>\n","protected":false},"author":1,"featured_media":16065,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[3859,3821,1357],"tags":[3879,1956,1369,3921],"class_list":["post-16203","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-iaes","category-images-es","category-qgis-es","tag-ia-es","tag-imagenes","tag-qgis-es","tag-superresolucion"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2025\/11\/sr_batch-scaled.jpg?fit=2560%2C948&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-4dl","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16203","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=16203"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16203\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/16065"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=16203"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=16203"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=16203"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

<\/span>\u00bfC\u00f3mo funciona ESRGAN? (en versi\u00f3n simplificada)<\/span><\/h2>\n\n\n\nESRGAN se basa en dos redes neuronales:<\/p>\n\n\n\n\nUn generador que intenta producir una versi\u00f3n realista de alta resoluci\u00f3n.<\/li>\n\n\n\n

<\/span>4) Script por lotes de Windows (autom\u00e1tico para toda una carpeta)<\/span><\/h2>\n\n\n\nPegue el siguiente archivo en C:\\SR\\run_sr_georef.bat, modifique las rutas y la proyecci\u00f3n utilizada, y luego ejec\u00fatelo.<\/p>\n\n\n<\/div>