AI画像生成で高解像度化というと、Hires.fix か ESRGAN 系のアップスケーラーを使うのが一般的です。ただしどちらも元の画素にある情報を引き伸ばす方向の処理なので、そもそも情報が潰れている素材には限界があります。
SUPIR はここに別のアプローチを持ち込みます。画像の内容を言語モデルで理解し、その理解をもとに描き直すのです。
公式
- リポジトリ: github.com/Fanghua-Yu/SUPIR
- プロジェクトページ: supir.xpixel.group
- 論文: arXiv:2401.13627（CVPR2024）
手順やモデル構成は更新で変わります。導入前に公式READMEで最新を確認してください。
何をしているのか
正式名称は「Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild」。深圳先進技術研究院、上海AI Laboratory、シドニー大学、香港理工大学などの共同研究です。
処理の流れはこうなっています。
1. LLaVA（画像理解モデル）が「何が写っているか」を読み取る
2. その内容説明をテキスト条件として使う
3. SDXL ベースの復元モデルが、内容を踏まえて描き直す「拡大」ではなく「理解にもとづく再構成」 です。ここが他のアップスケーラーとの根本的な違いになります。
だから重い
構成を見れば必要スペックの理由も分かります。公式が依存モデルとして挙げているのは次のとおりです。
- SDXL base 1.0（復元の土台）
- LLaVA v1.5 13B（画像理解）
- CLIP エンコーダ 2種（SDXL用）
- SUPIR-v0Q などのチェックポイント
13Bクラスの言語モデルとSDXLを同時に動かすのですから、一般的なアップスケーラーとは要求が桁違いになります。
VRAM要件
公式READMEには、省メモリ設定を使った場合の目安として Diffusion側 12GB・LLaVA側 16GB という記述があります。標準設定ではさらに必要です。
省メモリのためのオプション
公式が用意しているフラグの組み合わせがあります。
- 半精度で読み込む（
--loading_half_params） - VAEをタイル分割で処理する（
--use_tile_vae） - LLaVAを8bitで読み込む（
--load_8bit_llava）
これらを付けると動作は遅くなりますが、必要メモリが下がります。具体的なフラグ名と効果は公式READMEで最新を確認してください。
環境の考え方は AI生成PC構成完全ガイド にまとめています。
導入の大枠
細かなコマンドは公式READMEを見てください。全体像だけ書きます。
- リポジトリを clone
- Python 環境を作る（公式の例では conda で Python 3.8）
- 依存パッケージをインストール
- チェックポイントを揃える（SUPIR本体＋SDXL＋LLaVA＋CLIP）
- パス設定ファイルを編集
- Gradio のデモを起動してブラウザからアクセス
5番のダウンロード量が最大の障壁です。LLaVA 13B だけで数十GBあるため、回線とディスクの余裕を先に確認してください。
試すだけならオンライン版
研究チームが立ち上げた SupPixel でオンライン版が提供されています。
環境構築の前に、自分の素材で効果があるかを確認できるのは実務的に大きい利点です。数十GBをダウンロードしてから「思ったほど効かなかった」となるより、先に結果を見たほうが早い。利用条件と料金は提供元で確認してください。
他の高解像度化手段との使い分け
生成物をただ大きくしたいだけなら、タイル分割で処理する Ultimate SD Upscale 完全ガイド2026 のほうが軽く扱えます。SUPIRは復元寄りの手法です。
ここが実務で最も重要な判断です。
| 手法 | 仕組み | 元絵への忠実さ | 重さ | 向く場面 |
|---|---|---|---|---|
| ESRGAN 系 | 画素の補間 | 高い | 軽い | 通常の拡大 |
| Hires.fix | 低解像度→拡大→再生成 | 中 | 中 | 生成時の標準手順 |
| SUPIR | 理解して再構成 | 低い | 重い | 潰れた素材の救済 |
SUPIR を使うべきでない場面
日常的な高解像度化には過剰です。 生成時の高解像度化は Hires.fix・アップスケール完全ガイド の手順で十分足ります。
また次の用途には明確に向きません。
- キャラクターの同一性が重要（顔立ちが変わる可能性がある）
- 文字やロゴを正確に保ちたい（読めない文字を勝手に「それらしく」補完する）
- 元素材の再現性が求められる
SUPIR が効く場面
- 解像度が低くて潰れている素材
- 圧縮ノイズが乗った画像
- 古い素材の質感を作り直したい
- 通常のアップスケーラーでは「拡大されただけでぼやけている」結果にしかならないケース
「情報が足りない素材に情報を足す」のがSUPIRの仕事です。逆に言えば、足された情報は元画像に存在しなかったものです。
使ううえでの注意
補完は創作である
SUPIRが補ったディテールは、モデルが「こうであろう」と推測した内容です。写真の復元に使う場合、そこに写っていなかったものが描かれる可能性があります。
記録や証拠としての正確さが要る場面では使えません。見栄えを良くする加工として扱ってください。
プロンプトが効く
LLaVAが読み取った説明に加えて、自分でプロンプトを与えられます。「何を重視して復元してほしいか」を伝えると結果が変わります。
- 素材の内容と食い違うプロンプトを与えると破綻する
- 逆に、LLaVAの読み違いを補正する使い方はできる
生成物の権利
SUPIR自体のライセンスに加え、依存しているSDXL・LLaVAなど各モデルのライセンスも関係します。商用利用を考えるなら、使った全モデルの条件を個別に確認してください。
読み方は AIエロ絵の商用ライセンス完全整理 にまとめています。
よくある詰まりどころ
VRAM不足で起動しない
省メモリ用のフラグを組み合わせてください。それでも足りない場合、SUPIRは諦めて別の手段を取るのが現実的です。無理に動かしても実用速度になりません。
モデルのダウンロードで詰まる
依存モデルが複数あり、それぞれ配布元が違います。どのファイルがどこに必要かを公式READMEの表で確認しながら進めてください。パス設定ファイルの記述漏れも典型的な原因です。
顔が別人になる
SUPIRの性質上、顔の細部は再構成されます。同一性を保ちたいなら、SUPIRを通した後に顔だけ元に戻すか、そもそも別の手段を使ってください。
文字が読めない別の文字になる
補完の典型的な失敗です。文字を含む画像には向きません。
処理が異様に遅い
省メモリフラグを付けると遅くなります。速度が必要なら、素材を絞って必要なものだけ処理するのが実務的です。
その他の症状は AI画像生成トラブル辞典 を参照してください。
関連記事
まとめ
SUPIR は 「理解してから描き直す」 タイプの復元モデルです。LLaVAとSDXLを組み合わせる構成ゆえに重く、公式の省メモリ設定でも Diffusion 12GB・LLaVA 16GB という水準が示されています。
日常の高解像度化には過剰で、そこは Hires.fix や ESRGAN で足ります。SUPIR の出番は潰れた素材を救済したいときです。
そして最も大事な性質は、補った部分は元画像になかった情報だということ。見栄えを良くする道具であって、正確に復元する道具ではない——ここを理解して使えば、強力な選択肢になります。
