图像超分辨率
支持双三次、轻量和真实场景三类图像超分辨率任务，把低分辨率图像还原成高分辨率图像，可用于老照片放大等场景。
swinir
AI TOOL PROFILE工具资料基于 Swin Transformer 的开源图像恢复模型，可跑在 Replicate 上做老照片修复与无损放大。
价格约 $0.025 一次，或每 $1 约 40 次
平台Web / API
归类AI 绘画生图
收录2026-10-10
复核2026-10-10
编辑评分
4.3 / 5
★★★★☆
swinir编辑总结
swinir 是 SwinIR: Image Restoration Using Shifted Window Transformer 的官方 PyTorch 实现，托管在 Replicate 平台，由 jingyunliang 发布。它基于 Swin Transformer 做图像恢复，覆盖双三次／轻量／真实场景图像超分辨率、灰度与彩色图像去噪、JPEG 压缩伪影去除三类任务。官方说明其在不同任务上比此前方法最多高出 0.14~0.45dB，同时参数总量最多减少 67%。在 Replicate 上运行一次约 $0.025，也就是每 $1 约跑 40 次，使用 Nvidia A100 (80GB) GPU，单次预测通常在 19 秒内完成。短板是预测耗时受输入影响波动明显，且它本身是模型而非成品修图软件，普通用户需要借助平台或自行部署才能用起来。
swinir是什么？
它解决的是图像恢复这类低层视觉问题，目标是从低质量图像（缩小过的、带噪的、被压缩过的）里还原出高质量图像，面向需要做超分辨率、去噪或压缩伪影修复的开发者和研究者。
它的结构分三部分：浅层特征提取、深层特征提取和高品质图像重建。其中深层特征提取模块由若干残差 Swin Transformer 块（RSTB）组成，每个块里有多个 Swin Transformer 层并带一条残差连接。官方说明它在双三次、轻量和真实场景图像超分辨率、灰度与彩色图像去噪、JPEG 压缩伪影去除这些任务上取得了当时最好的性能，相比此前方法最高提升 0.14~0.45dB，同时参数总量最多可减少 67%。
用法上分三类：普通用户可以直接在 Replicate 的 Playground 页面里上传图片试跑；开发者可以走 API，用 Node.js、Python 或 Google Colab 调用；有自己机器的用户还可以用 Docker 在本地跑，因为它是开源模型。Replicate 侧使用 Nvidia A100 (80GB) GPU，单次预测通常 19 秒内完成。
swinir核心功能
图像去噪
覆盖灰度图像和彩色图像两种去噪任务，从带噪图像中还原出干净画面。
JPEG 伪影去除
针对被压缩过的图像做 JPEG 压缩伪影消除，属于图像恢复三大代表性任务之一。
Swin Transformer 架构
用残差 Swin Transformer 块做深层特征提取，每个块包含多个 Swin Transformer 层并带残差连接，替代传统卷积网络路线。
参数更少效果更好
官方说明在不同任务上比此前方法最高提升 0.14~0.45dB，同时参数总量最多可减少 67%。
Replicate 在线试跑
在 Replicate 的 Playground 页面可直接上传图片运行，无需自己准备 GPU 环境。
官方说明 ↗API 调用
提供 API 接口，可用 Node.js、Python 或 Google Colab 调用，方便接入自己的流程。
官方说明 ↗开源本地部署
模型开源，可以用 Docker 在自己的电脑上运行，不依赖云端服务。
swinir值不值得用？
当你手里有低质量图片要恢复、又不想自己搭环境时，swinir 在 Replicate 上是个省事的选择：约 $0.025 跑一次，每 $1 约 40 次，单次通常在 19 秒内完成，还支持超分辨率、去噪和 JPEG 伪影去除三大类任务。如果你要把它接进自己的产品，API 调用和开源 Docker 部署两条路都通。但要注意，它是个图像恢复模型，不是面向普通用户的修图软件，没有独立的图形界面和批量处理界面；预测耗时受输入影响波动明显，大图或复杂输入会更久。要求固定耗时和固定成本上限的场景，需要先实测再决定。
建议选它的情况
- 手里有模糊或压缩严重的老照片，想做超分辨率放大
- 需要做灰度或彩色图像去噪的开发者
- 想通过 API 把图像恢复能力接进自己产品的团队
- 有本地 GPU、希望用 Docker 自部署的人群
不建议选它的情况
- 需要图形化修图界面、只想点几下就出图的普通用户
- 对单次运行耗时要求严格稳定的生产场景
- 需要一体化批量处理工具的团队
swinir使用建议
入门先把路子走对
- 先在 Playground 试打开 Replicate 的 Playground 页面，上传一张待恢复的图片先跑一次，确认效果和耗时符合预期再考虑接入。
- 按任务类型选图先判断你的图属于哪类问题：分辨率低、噪点多，还是压缩痕迹重，对应超分辨率、去噪和 JPEG 伪影去除三种任务。
- API 从文档起步决定接入后先看 API 页面，用 Node.js 或 Python 的示例代码跑通一次调用，再改造成自己的流程。
进阶省时间也省钱
- 用预估控制成本单次约 $0.025、每 $1 约 40 次，按这个比例估算自己的调用量，避免超出预算。
- 本地部署省调用费调用量大时用 Docker 在自己的机器上跑开源版本，可以把单次成本换成自有硬件成本。
- 预留耗时波动单次预测通常 19 秒内完成，但会随输入明显变化，批处理时按更长耗时预留时间。
swinir适合谁用？
图像恢复研究者
推荐需要复现或对比 Swin Transformer 路线的图像恢复效果，官方实现和论文引用都能直接用。
开发者
推荐想把超分辨率、去噪或伪影去除接进自己的应用，API 和开源 Docker 两条路都可用。
老照片修复爱好者
推荐想修复模糊老照片，可以在 Playground 上直接上传图片试跑，无需本地环境。
追求稳定耗时的生产团队
有条件单次耗时受输入影响波动明显，需要严格 SLA 的场景要先做实测评估。
纯图形界面用户
不推荐它本身是模型而非成品修图软件，没有面向普通用户的批量修图界面，操作门槛偏高。
swinir优点和缺点
优点
- 单次运行约 $0.025，每 $1 约可跑 40 次
- 开源，可用 Docker 在本地自行部署
- 覆盖超分辨率、去噪、JPEG 伪影去除三类任务
- 官方说明比此前方法最高提升 0.14~0.45dB
- 参数总量最多可减少 67%
- 单次预测通常 19 秒内完成
- 在 Replicate 上可直接在线试跑
缺点
- 预测耗时受输入影响波动明显
- 模型本身没有图形化修图界面
- 使用 Nvidia A100 (80GB) GPU，本地部署需相应硬件
- 使用方式以 Playground 和 API 为主，普通人上手有门槛
swinir常见问题
swinir 多少钱？免费吗？＋
在 Replicate 上运行这个模型，单次大约 $0.025，也就是每 $1 约能跑 40 次，具体费用会随输入不同而变化。它同时是开源模型，你可以用 Docker 在自己的电脑上跑，这种情况下不产生 Replicate 的调用费用，但要自己承担硬件成本。
它当前主力能力是什么？＋
它做的是图像恢复，覆盖三类代表性任务：双三次、轻量和真实场景的图像超分辨率，灰度与彩色图像去噪，以及 JPEG 压缩伪影去除。底层用残差 Swin Transformer 块做深层特征提取，官方说明在不同任务上比此前方法最高提升 0.14~0.45dB，参数总量最多可减少 67%。
跑一次要多久？＋
说明在 Replicate 上使用 Nvidia A100 (80GB) GPU，单次预测通常在 19 秒内完成。不过预测时间会随输入明显变化，图片越大、情况越复杂，耗时就越长，实际使用时要按这个波动去预留时间。
和老照片修复类工具怎么选？＋
如果你要的是打开就能修图的成品软件，它不是这个定位，它本身是一个模型，需要通过 Replicate 的 Playground 或 API 来用，或者自己用 Docker 部署。如果你要的是把图像恢复能力接进自己的产品或流程，或者需要可复现的官方实现做研究对比，那它更合适。未公开与其它具体产品的对比数据。
国内能不能用？＋
未说明国内访问情况。它是开源模型，可以用 Docker 在自己的电脑上本地运行，这条路不依赖云端服务的可用性；如果走 Replicate 线上调用，具体连通性和额度需以官方页面为准。
可以在自己的电脑上跑吗？＋
可以。它是开源模型，官方说明可以用 Docker 在自己的电脑上运行。Replicate 上这个模型跑在 Nvidia A100 (80GB) GPU 上，本地部署前要先确认自己的硬件是否够用。
swinir竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| swinir本工具 | 4.3 | 约 $0.025 一次，或每 $1 约 40 次 | 图像超分辨率；图像去噪；JPEG 伪影去除；Swin Transformer 架构 | Web / API |
| ifoto Cleanup Pictures | — | 未公开具体价格 | 在线图片修复 | Web / iPhone App / Android App |
| VCG 视觉中国 AI LAB | — | 未标价 | 专注于图片无损放大、视频自动标签、文章自动配图等功能 | — |
| Pixa (formerly Pixelcut) | — | 未标价 | AI 驱动的创意平台，涵盖背景移除、图片无损放大、图文视频生成及产品摄影等功能 | — |
| Nero AI Image Upscaler | — | 未标价 | 免费在线 AI 图像放大工具 | Web |
| jpgHD | — | 未标价 | jpgHD 是一款利用2025年最先进人工智能 AI 超分模型和深度学习技术的图像修复工具 | — |
