两种方式都能把小图变大，但它们做的事情本质不同——而这个差别不仅关乎观感，也关乎法律。

传统插值

最近邻、双线性、双三次和 Lanczos 在原理上是一回事：要生成一个新像素，就按某个公式对周围的原始像素做加权平均。

  • 最近邻直接复制最近的像素——产生块状硬边。这对像素画是正确的，因为你*就是要*硬方块。
  • 双线性取四个邻居平均——快，偏软。
  • 双三次用十六个邻居配更平滑的曲线——通用默认值。
  • Lanczos 采样窗口更宽、保留更多表观锐度，边缘偶尔会有轻微振铃。

本质属性是：不产生任何新信息。用双三次放大 2 倍，你得到的是同一张图更大、更软的版本。没有任何东西是编造的，这让插值可预测且安全。

AI 超分（超分辨率）

一个在数百万图像对上训练过的模型，预测高分辨率版本*看起来大概应该是什么样*。插值做的是平均，模型做的是合成：它添加了源文件里根本不存在的边缘、纹理和细节。

结果可以非常惊艳——边缘锐利、纹理合理、毫不发软。但这些细节是编造出来的，不是恢复出来的。它是关于"那里可能有什么"的一个统计上合理的猜测。

AI 放大真正有用的场景

  • 照片的适度放大（约 2–4 倍以内），用于打印或展示。
  • 供个人观看的老扫描件和低分辨率存档图像。
  • 纹理和背景，这类地方"合理的细节"比"准确的细节"更有用。
  • 修复被压缩的图像——很多模型同时能有效去除 JPEG 伪影。

它会出错的地方

  • 人脸。 模型用训练数据补全五官，可能微妙地改变身份——这是一个广为人知的研究发现。被放大的某个人的脸，未必还是那个人真实的样貌。绝不可用于身份识别。
  • 文字。 小字会变得*锐利但错误*，字母被编造成看似合理的形状。这比模糊的文字更糟，因为它看起来很权威。
  • 精细图案：布料织纹、头发、树叶可能被替换成模型学到的通用纹理。
  • 医学、科研、法证和证据类图像——编造细节会让它们完全失效。
  • 极端放大。 超过约 4 倍，输出基本是模型的想象。

覆盖两者的判断规则

问一句：有没有人会基于这些细节做决定？

  • 家庭照片放大挂墙 → AI 超分很好用。
  • 买家要检视质感的商品图 → 要谨慎；歪曲商品是有后果的。
  • 一切涉及辨认人、读出数字、记录事实的用途 → 绝对不行。

还有一个胜过两者的实际替代方案：回头去找更大的原图。重新扫描底片、从 RAW 重新导出、向对方索要源文件。没有任何放大工具比得上真实的像素，而且这个寻找过程通常比处理还省时间。