Ремастеринг видео в 4K: как победить нейросетевое мыло

Недавно я наткнулся на мощнейший кейс: энтузиаст потратил два года на то, чтобы сделать чистый, честный ремастеринг видео «Том и Джерри» в 4K. Предыдущие попытки автора профессионалы разнесли в щепки за эффект зловещей долины и тонны нейросетевого мыла. Этот опыт – готовый учебник для любого продюсера, маркетолога или владельца агентства, который планирует использовать архивные кадры в рекламе, презентациях или спецпроектах. Продюсерам часто нужно обновить старый контент бренда, и этот кейс показывает, где лежат главные грабли автоматического апскейла и как их обойти.

Исходники и ловушка пленочного зерна

Главная ошибка большинства попыток улучшить старое видео – работа с плохим исходником. Автор кейса целый год полировал посредственные DVD-рипы в разрешении 480p и поочередно менял алгоритмы. Прорыв случился только тогда, когда он нашел качественные Blu-ray исходники в 1080p. Для продакшена это базовое правило: нейросеть не придумывает детали из воздуха, ей нужна твердая основа. Хотите качественный апскейл – ищите первоисточник максимального разрешения, даже если за права на него придется побороться.

Второй важный инсайт касается пленочного шума. На любой старой кинопленке есть зернистость. Для реставраторов это ценность, которая сохраняет микродетали. Но для обычных апскейлеров зерно – это кошмар. Алгоритмы не понимают, что делать с хаотичным шумом, и превращают его в артефакты, похожие на мелких муравьев. Картинка начинает мерцать и выглядит дешево. Вывод прост: перед увеличением разрешения видео необходимо максимально очистить от шума.

Звук, денойзинг и собственная нейросеть

Работа над проектом шла по всем фронтам, в том числе над звуком. Единого русского дубляжа для всех 163 серий не существовало. Автор собрал более 20 разных озвучек, вырезал из них голоса с помощью нейросети Ultimate Vocal Remover (UVR) и свел их со стерильно чистой оригинальной музыкой. Это отличный пример того, как современный софт позволяет разделять аудиодорожки на составляющие за считанные минуты и решать проблемы с авторскими правами или плохой локализацией старых роликов.

Для очистки видео от шума автор протестировал два подхода:

1. ИИ-денойзер SCUNet. Он оказался слишком медленным (по 2 часа на 7-минутную серию) и нестабильным. Из 163 серий автору пришлось забраковать 100 штук, потому что шум уходил неравномерно.

2. Профессиональный плагин NeatVideo. Это индустриальный стандарт для ручного удаления шума по частотам. Он требует кропотливой ручной настройки под каждый ролик. Автор потратил более 100 часов на освоение софта и около 50 часов на рендер, зато получил кинематографический результат без потери деталей.

Самый хардкорный этап – борьба с горизонтальными полосами деградации пленки на двух сериях. Их не брали стандартные денойзеры. Тогда автор потратил два месяца на обучение собственной нейросети. Для этого он сначала написал симулятор физического разрушения кадра, чтобы сгенерировать обучающую выборку. Это показывает, что сложные дефекты до сих пор требуют кастомных ИИ-решений.

Что это меняет в работе продюсера

Для агентств и продакшенов этот кейс – наглядная демонстрация реальной стоимости ИИ-технологий. Кнопки «сделать красиво» не существует. Если клиент просит «просто прогнать через нейросетку» архивный ролик двадцатилетней давности для юбилейной кампании, нужно закладывать адекватные сроки и бюджеты.

Чистый апскейл без подготовки исходника выдаст мыльную картинку, которая убьет репутацию бренда. Рабочая схема для коммерческих проектов выглядит так: глубокий ручной денойзинг (например, через NeatVideo), аккуратное разделение и реставрация звука через UVR и только потом точечный апскейл. ИИ – прекрасный инструмент, но без жесткого контроля со стороны человека он производит лишь цифровой мусор.