DeepPhi Upscale — Agrandir images & vidéos ×2, sans inventer un pixel

Avant / après

La netteté, au pixel près

Zoom 100 % sur une entrée agrandie ×2. À gauche, l'agrandissement bicubique classique ; à droite, DeepPhi — la structure retrouve son tranchant, sans inventer un détail.

Clôture : bicubique vs DeepPhi ×2 — Les lattes de la clôture : floues à gauche, **franches** à droite.

Plumes : bicubique vs DeepPhi ×2 — Le détail des plumes et du bec, restauré fidèlement.

Chrome et rayons : bicubique vs DeepPhi ×2 — Chromes et rayons métalliques : les arêtes redeviennent nettes, sans halo ni artefact.

Entrée réduite ×2 puis ré-agrandie ×2 — comparaison à dégradation identique. Résultats reproductibles dans la démo ci-dessous.

Technologie

Propulsé par φ

φ est une mesure de complexité structurelle locale propriétaire développée par DeepPhi. Elle quantifie, en chaque point d'une image, la richesse structurelle de la zone — textures, contours, micro-motifs — indépendamment de tout contenu sémantique. Ce modèle d'agrandissement a été entraîné sous la guidance de φ : il en hérite le sens de la structure, sans jamais que la formule de φ ne quitte DeepPhi.

∑

Structure locale

Les textures fines, contours et détails reçoivent un score φ élevé ; les aplats un score faible. Le modèle concentre sa netteté là où la structure existe.

◎

Formule confidentielle

Le mécanisme interne de φ n'est jamais divulgué. Seul son comportement — guider le rehaussement vers les zones structurées — est exploité, encapsulé dans le modèle.

⚙

Pas de génératif

Aucun réseau génératif, aucune hallucination. À entrée donnée, sortie déterministe : un résultat reproductible et auditable, pas une invention.

φ en action — la structure vue par le modèle

Ces cartes sont la sortie de φ, pas sa formule. Le chaud marque la structure fine ; le sombre, les zones lisses. Le modèle a appris à ne rehausser que le chaud.

Les Piliers de la Création et leur carte φ — Même le cosmos a une structure : φ trace les **piliers de gaz, la poussière et chaque étoile**, et laisse le vide interstellaire au repos. Image : NASA/ESA, Hubble — domaine public.

Phare et sa carte φ — La clôture, les pierres et la rambarde s'allument ; le **ciel lisse reste ignoré**.

Motos et leur carte φ — Chromes, rayons et reflets métalliques : φ suit le **moindre détail structurel**.

Perroquets et leur carte φ — Plumes, bec et œil s'illuminent ; le fond flou reste ignoré.

Feuillage et sa carte φ — Un feuillage dense : presque tout est texture — φ le confirme, et le modèle sait où porter sa finesse.

Démo interactive

Essayez, ici, maintenant

Déposez une image ou une vidéo. Tout est traité localement sur votre machine — le GPU est utilisé s'il est disponible. Comparez avant / après, puis téléchargez.

Chargement du modèle… GPU : — Vidéo : —

Essayez un exemple :

📷 Glissez une image, ou cliquez pour choisir
JPG / PNG / WebP — < 2 Mpx pour un essai rapide

Original (bicubique)DeepPhi ×2

Pourquoi DeepPhi

La netteté, pas l'invention

🚫

Zéro hallucination

Les upscalers génératifs inventent des visages, du texte, des détails absents. DeepPhi restaure la structure réellement présente — fidèle à la source.

🔒

100 % privé

Vos images et vidéos ne quittent jamais votre appareil. Aucun téléversement, aucun stockage, aucun compte.

🪶

Ultra-léger

0,8 M paramètres — 2 à 8× plus petit que EDSR, CARN ou MSRN, pour une qualité perceptuelle en tête à taille égale.

∞

Gratuit, illimité

Aucune limite de crédits, aucun watermark. Le calcul tourne chez vous, donc il ne nous coûte rien — et il est gratuit.

Notre parti pris

À l'ère du tout-IA, revenir aux fondamentaux

On confie aujourd'hui la moindre tâche à un modèle génératif géant — entraîné à grands frais, gourmand en énergie, opaque, et prompt à inventer ce qu'il ignore. DeepPhi fait le pari inverse : une poignée de fondamentaux déterministes, légers et transparents.

🌱

Sobriété par conception

Pas de data center, pas de GPU cloud qui chauffe à chaque image : le calcul tourne sur votre appareil, avec 0,8 M paramètres. Là où un upscaler en ligne mobilise serveurs et bande passante à chaque requête, ici l'empreinte marginale est quasi nulle.

🎯

Mesurer, pas deviner

φ est une mesure de structure, pas une hallucination. Même entrée, même sortie — reproductible, auditable. On restaure ce qui est réellement là ; on n'invente pas ce qui manque, et on n'en paie pas le coût énergétique.

⚖️

La juste dose d'IA

Nous ne sommes pas contre l'IA — contre le gaspillage. Un petit réseau guidé par un prior structurel déterministe suffit, sans convoquer un modèle à un milliard de paramètres. Le bon outil, à la bonne taille, au bon coût.

Gamme

Une famille de modèles φ

Tous guidés par φ, tous déterministes. Du plus léger — déjà en ligne — aux versions poussées, entraînées sur davantage de données.

● En ligne

×2

Upscale ×2

Le modèle de la démo. Image et vidéo, 100 % dans le navigateur, 0,8 M paramètres.

Bientôt

×4

Upscale ×4

Quatre fois plus de pixels. φ internalisé, entraîné sur des milliers d'images — netteté nettement supérieure au classique.

À venir

✦

φ-MLP Enhance

Débruitage et rehaussement guidés par φ, dans un réseau ultra-compact — pensé pour l'embarqué et le temps réel.

Feuille de route

◈

Modèles spécialisés

Versions poussées par domaine — photo, illustration — entraînées plus longtemps, disponibles sur demande.

Recherche

Ancré dans la science

DeepPhi est le fruit de plusieurs années de R&D autour de φ — une famille de métriques structurelles propriétaires — et de publications de recherche sur le traitement d'image guidé par la structure.

Masquage structurel

Cartes denses de complexité

Masques structurels par fenêtres glissantes — la brique de base.

Vision embarquée

ROI sans sémantique

95–99 % de réduction spatiale, sans annotation ni prior.

Rehaussement

Traitement sélectif

Amélioration confinée aux seules zones structurées — zéro artefact.

Super-résolution

Prior structurel pour la SR

φ comme guidage : qualité perceptuelle supérieure à taille de modèle égale.