As imagens a\u00e9reas s\u00e3o uma mina de ouro: levantamentos antigos, invent\u00e1rios florestais, monitoramento costeiro, mapas cadastrais digitalizados…<\/p>\n\n\n\n

Mas elas frequentemente sofrem de um problema grave: baixa resolu\u00e7\u00e3o. Imagens borradas, pixeliza\u00e7\u00e3o, texturas distorcidas, perda de detalhes… tantas limita\u00e7\u00f5es que complicam a an\u00e1lise espacial.<\/p>\n\n\n\n

Nos \u00faltimos anos, uma tecnologia derivada do Deep Learning mudou completamente o jogo: ESRGAN (Enhanced Super Resolution Generative Adversarial Network).<\/p>\n\n\n\n

Desenvolvido inicialmente para melhorar a qualidade das imagens em videogames, o ESRGAN tornou-se uma ferramenta valiosa em teledete\u00e7\u00e3o, fotogrametria e geom\u00e1tica.<\/p>\n\n\n\n

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

Por que usar o ESRGAN para imagens a\u00e9reas?<\/a><\/li>
Como funciona o ESRGAN? (vers\u00e3o simplificada)<\/a><\/li>
Exemplo: super-resolu\u00e7\u00e3o x4 em uma foto a\u00e9rea (gen\u00e9rica)<\/a><\/li>
Usar o Real-ESRGAN-ncnn-vulkan no Windows<\/a><\/li>
1) Download e prepara\u00e7\u00e3o (r\u00e1pido)<\/a><\/li>
2) Comando b\u00e1sico e par\u00e2metros (explicados)<\/a><\/li>
3) Pipeline para imagens georreferenciadas (m\u00e9todo simples e confi\u00e1vel)<\/a>
- Etapas (manuais)<\/a><\/li><\/ul><\/li>
- 4) Script em lote do Windows (autom\u00e1tico para uma pasta inteira)<\/a><\/li>
- 6) Adicionar GFPGAN (opcional)<\/a><\/li>
- Integra\u00e7\u00e3o no QGIS<\/a>
  - 1. Atrav\u00e9s do processamento Python (Processing Toolbox)<\/a><\/li>
  - 2. Atrav\u00e9s de um plugin externo<\/a><\/li>
  - 3. Atrav\u00e9s de um fluxo de trabalho R\/W de imagens<\/a><\/li><\/ul><\/li>
  - Vantagens<\/a><\/li>
  - Limita\u00e7\u00f5es<\/a><\/li>
  - Rumo a um ESRGAN especializado em \u201cimagens a\u00e9reas\u201d?<\/a><\/li>
  - Conclus\u00e3o<\/a><\/li><\/ul><\/nav><\/div>\n\n\n\n\n
    \n\n\n\n
    Neste artigo, exploraremos como o ESRGAN permite melhorar a resolu\u00e7\u00e3o de imagens a\u00e9reas antigas, quais s\u00e3o suas vantagens, suas limita\u00e7\u00f5es e como us\u00e1-lo em uma cadeia de processamento compat\u00edvel com o QGIS.<\/p>\n\n\n\n
    \n\n\n\n
    <\/span>Por que usar o ESRGAN para imagens a\u00e9reas?<\/span><\/h2>\n\n\n\n
    Ao contr\u00e1rio dos algoritmos cl\u00e1ssicos de reamostragem (bic\u00fabico, bilinear), o ESRGAN n\u00e3o se limita a ampliar a imagem.<\/p>\n\n\n\n
    Ele reconstr\u00f3i os detalhes ausentes com base em um aprendizado profundo a partir de milhares de imagens de alta resolu\u00e7\u00e3o.<\/p>\n\n\n\n
    O ESRGAN pode:<\/p>\n\n\n\n
    - preparar imagens para segmenta\u00e7\u00e3o ou classifica\u00e7\u00e3o autom\u00e1tica.<\/li>\n<\/ul>\n\n\n\n
      Para os geom\u00e1ticos, trata-se de uma mudan\u00e7a de escala:<\/p>\n\n\n\n
      \n
      finalmente \u00e9 poss\u00edvel aproveitar imagens a\u00e9reas antigas cuja qualidade at\u00e9 agora era um obst\u00e1culo.<\/p>\n<\/blockquote>\n\n\n\n
      \n\n\n\n
      <\/span>Como funciona o ESRGAN? (vers\u00e3o simplificada)<\/span><\/h2>\n\n\n\n
      O ESRGAN se baseia em duas redes neurais:<\/p>\n\n\n\n
      \n
      Um gerador que tenta produzir uma vers\u00e3o realista em alta resolu\u00e7\u00e3o.<\/li>\n\n\n\n
      Um discriminador que tenta distinguir as imagens geradas das imagens reais em alta resolu\u00e7\u00e3o.<\/li>\n<\/ul>\n\n\n\n
      Os dois se aperfei\u00e7oam mutuamente, at\u00e9 produzirem uma imagem detalhada, n\u00edtida e coerente.<\/p>\n\n\n\n
      O ESRGAN \u00e9 particularmente interessante para fotografias a\u00e9reas porque:<\/p>\n\n\n\n
      \n
      aprende texturas naturais (solos, telhados, vegeta\u00e7\u00e3o)<\/li>\n\n\n\n
      gerencia bem o ru\u00eddo<\/li>\n\n\n\n
      limita os artefatos pr\u00f3prios de digitaliza\u00e7\u00f5es antigas (gr\u00e3o, halos)<\/li>\n<\/ul>\n\n\n\n
      \n\n\n\n
      <\/span>Exemplo: super-resolu\u00e7\u00e3o x4 em uma foto a\u00e9rea (gen\u00e9rica)<\/span><\/h2>\n\n\n\n
      Partimos de uma imagem a\u00e9rea digitalizada em 512\u00d7512 px.<\/p>\n\n\n\n
      \n
      Resolu\u00e7\u00e3o original: desfocada, detalhes apagados<\/li>\n\n\n\n
      ESRGAN \u00d74 \u2192 sa\u00edda em 2048\u00d72048 px<\/li>\n\n\n\n
      Melhorias observadas:\n
      \n
      melhor leitura das parcelas<\/li>\n\n\n\n
      contornos dos telhados mais n\u00edtidos<\/li>\n\n\n\n
      estradas e pistas claramente vis\u00edveis<\/li>\n\n\n\n
      texturas do solo melhor reconstru\u00eddas<\/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 o Real-ESRGAN-ncnn-vulkan no Windows<\/span><\/h2>\n\n\n\n
      Vamos ver:<\/p>\n\n\n\n
      \n
      download e pasta<\/li>\n\n\n\n
      comando b\u00e1sico e par\u00e2metros \u00fateis<\/li>\n\n\n\n
      pipeline \u201cimagem georreferenciada \u2192 SR \u2192 GeoTIFF\u201d (autom\u00e1tico)<\/li>\n\n\n\n
      script em lote do Windows pronto para colar<\/li>\n\n\n\n
      dicas\/armadilhas a evitar e op\u00e7\u00f5es avan\u00e7adas<\/li>\n\n\n\n
      op\u00e7\u00e3o: encadear GFPGAN (restaura\u00e7\u00e3o de rostos\/detalhes)<\/li>\n<\/ol>\n\n\n\n
      \n\n\n\n
      <\/span>1) Download e prepara\u00e7\u00e3o (r\u00e1pido)<\/span><\/h2>\n\n\n\n
      \n
      Baixe o arquivo realesrgan-ncnn-vulkan na p\u00e1gina Releases do projeto (arquivo realesrgan-ncnn-vulkan-*-windows.zip).<\/li>\n\n\n\n
      Descompacte em C:\\SR\\realesrgan-ncnn-vulkan-20220424-windows, por exemplo.<\/li>\n\n\n\n
      Coloque as imagens de entrada em C:\\SR\\input\\ (formatos PNG\/JPG\/TIF).<\/li>\n\n\n\n
      Crie C:\\SR\\output\\ para os resultados.<\/li>\n<\/ul>\n\n\n\n
      \n\n\n\n
      <\/span>2) Comando b\u00e1sico e par\u00e2metros (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\u00e2metros \u00fateis:<\/p>\n\n\n\n \n-i <caminho>: imagem de entrada<\/li>\n\n\n\n -o <caminho>: imagem de sa\u00edda<\/li>\n\n\n\n -n <nome_modelo>: modelo (realesrgan-x4plus, realesrnet-x4plus, realesrgan-x4plus-anime, etc.)<\/li>\n\n\n\n -s <escala>: fator de amplia\u00e7\u00e3o (\u00e0s vezes gerenciado pelo modelo; mantenha -s 4 para x4)<\/li>\n\n\n\n -tile <N>: tamanho do bloco (por exemplo, -tile 200) \u2014 reduz o uso da mem\u00f3ria da GPU\/CPU, \u00fatil para imagens grandes<\/li>\n\n\n\n -t <N>: threads da CPU (opcional)<\/li>\n\n\n\n -g <\u00edndice>: \u00edndice da GPU (se houver v\u00e1rios)<\/li>\n\n\n\n –help: exibe todas as op\u00e7\u00f5es<\/li>\n<\/ul>\n\n\n\nDica: se o seu computador n\u00e3o for muito potente, use -tile 150 ou -tile 100. -tile 100<\/code>.<\/p>\n\n\n\n \n\n\n\n<\/span>3) Pipeline para imagens georreferenciadas (m\u00e9todo simples e confi\u00e1vel)<\/span><\/h2>\n\n\n\nPrinc\u00edpio: realiza-se o upscaling na imagem raster (PNG\/TIF) e, em seguida, recria-se um GeoTIFF reaplicando o envelope geogr\u00e1fico (limites) da imagem de origem, o que mant\u00e9m a geometria espacial e ajusta a resolu\u00e7\u00e3o ao fator de amplia\u00e7\u00e3o.<\/p>\n\n\n\n <\/span>Etapas (manuais)<\/span><\/h3>\n\n\n\n\nRecuperar o envelope (limites) e o CRS do original: gdalinfo -json C:\\SR\\input\\image.tif > info.json ou ler diretamente Upper Left (ulx, uly) e Lower Right (lrx, lry) a partir de gdalinfo image.tif.<\/li>\n\n\n\n Inicie o Real-ESRGAN na imagem (image_non_geo.png ou 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 Recrie um GeoTIFF com o mesmo envelope, mas com um novo tamanho: Se o envelope original for (ulx, uly, lrx, lry), reutilize-o. Exemplo: 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: o CRS do original (por exemplo, EPSG:4326<\/a> ou EPSG:3857)<\/li>\n\n\n\n -a_ullr ulx uly lrx lry: cantos em coordenadas espaciais (Upper Left X,Y; Lower Right X,Y)<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\nPor que funciona: aplicamos o envelope geogr\u00e1fico original \u00e0 imagem com super resolu\u00e7\u00e3o. O novo tamanho em pixels\/px corresponder\u00e1 automaticamente a uma nova resolu\u00e7\u00e3o espacial (tamanho do pixel = tamanho do pixel original \/ escala).<\/p>\n\n\n\n Observa\u00e7\u00e3o: se voc\u00ea quiser ser extremamente preciso no cabe\u00e7alho geo-transform em vez de -a_ullr, \u00e9 poss\u00edvel calcular e aplicar a nova geotransforma\u00e7\u00e3o atrav\u00e9s do gdal_edit.py -a_ullr ou usando um script Python GDAL, mas o gdal_translate -a_ullr \u00e9 simples e robusto.<\/p>\n\n\n\n \n\n\n\n<\/span>4) Script em lote do Windows (autom\u00e1tico para uma pasta inteira)<\/span><\/h2>\n\n\n\nCole o seguinte arquivo em C:\\SR\\run_sr_georef.bat, modifique os caminhos e a proje\u00e7\u00e3o utilizada e execute.<\/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\nObserva\u00e7\u00f5es:<\/p>\n\n\n\n \nEste script pressup\u00f5e que gdalinfo.exe e gdal_translate.exe est\u00e3o dispon\u00edveis (adicione os caminhos, se necess\u00e1rio).<\/li>\n\n\n\n O script primeiro converte para PNG para evitar alguns TIF com compress\u00f5es ex\u00f3ticas que fariam com que o execut\u00e1vel falhasse.<\/li>\n\n\n\n -a_ullr retoma os limites exatos. Se o original tivesse uma geotransforma\u00e7\u00e3o ligeiramente n\u00e3o axial (rota\u00e7\u00e3o), -a_ullr perderia a rota\u00e7\u00e3o; caso raro em ortofotos: se houver rota\u00e7\u00e3o, ser\u00e1 necess\u00e1rio um script GDAL Python mais avan\u00e7ado.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n5) Dicas e armadilhas a evitar<\/p>\n\n\n\n \nConserve o original: nunca trabalhe no original \u2014 guarde uma c\u00f3pia.<\/li>\n\n\n\n Compress\u00e3o inadequada\/TIF ex\u00f3ticos: converter para PNG \u00e9 frequentemente mais seguro.<\/li>\n\n\n\n Rota\u00e7\u00e3o\/shearing: -a_ullr pressup\u00f5e que n\u00e3o h\u00e1 rota\u00e7\u00e3o. Para imagens georreferenciadas com rota\u00e7\u00e3o, \u00e9 necess\u00e1rio reescrever a geotransforma\u00e7\u00e3o completa \u2192 script Python GDAL para aplicar SetGeoTransform. Informe-me se voc\u00ea tiver esse caso.<\/li>\n\n\n\n Alucina\u00e7\u00f5es: ES(R)GAN pode inventar detalhes irreais \u2014 verifique visualmente e documente o processamento.<\/li>\n\n\n\n Tamanho enorme: para imagens muito grandes (>10.000 px), use -tile pequeno (50\u2013150) e RAM\/disco tempor\u00e1rio suficientes.<\/li>\n\n\n\n Metadados: o GeoTIFF final n\u00e3o inclui automaticamente os metadados EXIF da imagem; se necess\u00e1rio, use gdal_copy ou gdal_translate -co para adicionar informa\u00e7\u00f5es.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>6) Adicionar GFPGAN (opcional)<\/span><\/h2>\n\n\n\nSe a foto contiver pessoas\/fachadas danificadas e voc\u00ea quiser melhorar localmente os rostos\/detalhes ap\u00f3s o SR:<\/p>\n\n\n\n \nInstale o GFPGAN (ou baixe o execut\u00e1vel, se dispon\u00edvel).<\/li>\n\n\n\n Inicie o GFPGAN na sa\u00edda 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>Integra\u00e7\u00e3o no QGIS<\/span><\/h2>\n\n\n\nExistem tr\u00eas m\u00e9todos simples para utilizar o ESRGAN no QGIS:<\/p>\n\n\n\n <\/span>1. Atrav\u00e9s do processamento Python (Processing Toolbox)<\/span><\/h3>\n\n\n\nCrie um script Python que:<\/p>\n\n\n\n \nreceba um raster como entrada<\/li>\n\n\n\n inicie o ESRGAN<\/li>\n\n\n\n recargue automaticamente a imagem melhorada no QGIS<\/li>\n<\/ul>\n\n\n\n<\/span>2. Atrav\u00e9s de um plugin externo<\/span><\/h3>\n\n\n\nCrie um plugin pessoal baseado em:<\/p>\n\n\n\n \num bot\u00e3o \u201cSuper-resolu\u00e7\u00e3o ESRGAN\u201d<\/li>\n\n\n\n uma interface simples: modelo, fator \u00d72\/\u00d74, arquivo de entrada<\/li>\n<\/ul>\n\n\n\n<\/span>3. Atrav\u00e9s de um fluxo de trabalho R\/W de imagens<\/span><\/h3>\n\n\n\nUse o ESRGAN no pr\u00e9-processamento antes de importar as imagens para o QGIS<\/p>\n\n\n\n \u2192 ideal para ortofotos antigas.<\/p>\n\n\n\n \n\n\n\n<\/span>Vantagens<\/span><\/h2>\n\n\n\n✔ D\u00e1 uma nova vida aos arquivos a\u00e9reos<\/p>\n\n\n\n ✔ Permite uma an\u00e1lise mais precisa em teledete\u00e7\u00e3o<\/p>\n\n\n\n ✔ \u00datil para extrair objetos (edif\u00edcios, praias, ravinas…)<\/p>\n\n\n\n ✔ Funciona com imagens muito degradadas<\/p>\n\n\n\n ✔ Ecossistema 100% open source<\/p>\n\n\n\n \n\n\n\n<\/span>Limita\u00e7\u00f5es<\/span><\/h2>\n\n\n\n⚠ O ESRGAN n\u00e3o adivinha a realidade:<\/p>\n\n\n\n \nele reconstr\u00f3i detalhes plaus\u00edveis, mas n\u00e3o garante que sejam exatos.<\/li>\n<\/ul>\n\n\n\n⚠ Risco de artefatos em:<\/p>\n\n\n\n \nbordas com muito contraste<\/li>\n\n\n\n \u00e1reas urbanas heterog\u00eaneas<\/li>\n\n\n\n sombras profundas<\/li>\n<\/ul>\n\n\n\n⚠ A evitar para:<\/p>\n\n\n\n \ncartografia regulamentar<\/li>\n\n\n\n an\u00e1lises que devem refletir a realidade com precis\u00e3o de pixel<\/li>\n<\/ul>\n\n\n\nMas para cartografia explorat\u00f3ria, prepara\u00e7\u00e3o de dados ou trabalho patrimonial, \u00e9 uma ferramenta extremamente poderosa.<\/p>\n\n\n\n \n\n\n\n<\/span>Rumo a um ESRGAN especializado em \u201cimagens a\u00e9reas\u201d?<\/span><\/h2>\n\n\n\nUma linha de pesquisa empolgante: treinar um ESRGAN especificamente em:<\/p>\n\n\n\n \nortofotos de alta resolu\u00e7\u00e3o<\/li>\n\n\n\n imagens a\u00e9reas atuais (10\u201320 cm\/pixel)<\/li>\n\n\n\n texturas naturais tropicais, costeiras ou agr\u00edcolas<\/li>\n<\/ul>\n\n\n\nIsso resultaria em um modelo perfeitamente adaptado para digitaliza\u00e7\u00f5es de arquivos dos anos 1960\u20131990.<\/p>\n\n\n\n \n\n\n\n<\/span>Conclus\u00e3o<\/span><\/h2>\n\n\n\nO ESRGAN transforma literalmente nossa capacidade de explorar imagens a\u00e9reas.<\/p>\n\n\n\n Pela primeira vez, \u00e9 poss\u00edvel restaurar detalhes em dados antigos e transform\u00e1-los em fontes utiliz\u00e1veis para a geom\u00e1tica moderna.<\/p>\n\n\n\n O acesso a modelos de c\u00f3digo aberto e ao PyTorch abre caminho para um novo ecossistema de ferramentas livres… a servi\u00e7o da hist\u00f3ria, do meio ambiente e da cartografia.<\/p>\n\n\n\n \n\n\n\n<\/p>\n","protected":false},"excerpt":{"rendered":" As imagens a\u00e9reas s\u00e3o uma mina de ouro: levantamentos antigos, invent\u00e1rios florestais, monitoramento costeiro, mapas cadastrais digitalizados… Mas elas frequentemente sofrem de um problema grave: baixa resolu\u00e7\u00e3o. Imagens borradas, pixeliza\u00e7\u00e3o, texturas distorcidas, perda de detalhes… 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":[3861,3807,2134],"tags":[3883,3809,2160,3923],"class_list":["post-16204","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-iapt","category-images-pt","category-qgis","tag-ia-pt","tag-imagens","tag-qgis-pt","tag-superresolucao"],"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-4dm","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16204","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=16204"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/16204\/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=16204"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=16204"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=16204"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

<\/span>Como funciona o ESRGAN? (vers\u00e3o simplificada)<\/span><\/h2>\n\n\n\nO ESRGAN se baseia em duas redes neurais:<\/p>\n\n\n\n\nUm gerador que tenta produzir uma vers\u00e3o realista em alta resolu\u00e7\u00e3o.<\/li>\n\n\n\n

<\/span>4) Script em lote do Windows (autom\u00e1tico para uma pasta inteira)<\/span><\/h2>\n\n\n\nCole o seguinte arquivo em C:\\SR\\run_sr_georef.bat, modifique os caminhos e a proje\u00e7\u00e3o utilizada e execute.<\/p>\n\n\n<\/div>