视频超分不再“变样”！RH Upscale 13组横评综合第一

视频超分长期面临两难：传统方法能拉高分辨率，却难以找回丢失的细节；生成式方法能补细节，却可能导致人物变样、构图偏移，在视频中还会出现闪烁和拖影。画面要更清楚，原内容又不能被改掉。

海马云旗下 RunningHub 发布自研生成式视频超分模型 RH Upscale，目标为“放大而不改内容”，在提升分辨率、恢复纹理的同时，尽量保持人物、构图、色调及运动过程的一致性。在 13 组横向评测中，RH Upscale Ultra 以 0.539 的综合得分位列第一。

评测纳入 13 个参测配置，包括 RH Upscale 五档模式及多种视频超分方案，统一采用 540P 输入、1080P 输出，从感知画质、纹理还原、原始画面相似度、人脸一致性和时序视频质量五个维度比较。

RH Upscale 采用“内容保真约束下的时空联合重建”。首先通过退化感知与条件注入识别不同素材的差异，判断哪些区域需要增强，避免统一处理放大噪声和压缩损伤。其次使用结构—细节双分支重建，将结构保持与纹理恢复分开处理，对信息不足区域采取更保守的增强。针对视频连续性问题，加入时空建模与可靠性门控，利用前后帧信息维持连续，在遮挡、镜头切换等情况下调整上下文，减少闪烁和拖影。

RH Upscale 提供 Ultra、Max、High、Medium、Low 五档模式。Ultra 面向复杂退化和精细材质场景，使用更充足的迭代重建预算；Max 偏向效率，通过少步一致性蒸馏压缩采样，一段 5—10 秒视频做 2 倍超分耗时 34 秒，约为 Ultra 的 1/8.6。High、Medium、Low 覆盖中间和轻量场景。五档并非简单减少推理步数，而是配合条件特征缓存、窗口化注意力、分块解码等优化，由同一套模型体系衍生，无需维护五个独立模型。

RH Upscale 已接入 RunningHub 创作链路，可放在视频生成节点之后完成超分和编码输出，输入不限于 AI 生成素材，实拍录像、二次剪辑视频和压缩损伤的低清文件同样适用。此前 RunningHub 已推出 RH Enhanced 和 RH Lightning，分别面向量产视频生成和推理加速。海马云长期积累 GPU 容器调度、图形虚拟化、实时流媒体和云渲染能力，形成“渲推一体”能力，支撑 RunningHub 等内容生产工具。

从 RH Enhanced、RH Lightning 到 RH Upscale，路径逐渐清晰：当 AI 视频进入生产，需要解决的远不止“生成”本身。AIGC 擅长创造变化，但保持“不变”才是变化中最难的一环。对视频超分而言，画面更清楚只是第一步，真正难的是增强之后人物仍是那个人物，场景仍是那个场景，运动过程未被改写。这正是 RH Upscale 强调“放大而不改内容”所指向的核心。