机器之心
1 个来源13 组横评综合性能第一！RunningHub 发布 RH Upscale，瞄准视频超分「不变样」难题
海马云旗下 RunningHub 正式发布自研生成式视频超分模型 RH Upscale，目标是在提升分辨率的同时保持人物、构图、色调和运动一致性。在 13 组横评中，RH Upscale Ultra 以 0.539 的综合得分位列第一，并提供 Ultra、Max、High、Medium、Low 五档模式以兼顾画质与效率。
返回信息流
新闻事件
SynthePulse Insight · AI 深度解读会员精读
0.539 分之后：RH Upscale 想解决的不是清晰度，而是“不变样”
版本 1 · 1 个来源
海马云旗下 RunningHub 发布自研生成式视频超分模型 RH Upscale，在 13 组横评中以 Ultra 档 0.539 的综合得分位列第一。但比分数更值得追问的是：当生成式超分越来越擅长“补细节”，它凭什么保证人物、构图和运动过程不被改写？
- RunningHub 正式发布自研生成式视频超分模型 RH Upscale，核心目标定为“放大而不改内容”。
- 13 组横评统一采用 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 Ultra 以 0.539 综合得分位列第一。
- RH Upscale 提供 Ultra、Max、High、Medium、Low 五档模式，覆盖从高画质成片到快速批量处理的不同需求。
展开章节目录一个被反复绕开的两难：补细节，还是别改样
一个被反复绕开的两难：补细节，还是别改样
视频超分长期卡在一个矛盾里。传统方法能把分辨率拉高，却很难真正找回低清、压缩过程中已经丢失的细节；生成式方法可以“补细节”，但另一类问题随之出现——人物变样、构图偏移，放到连续视频里，还可能出现闪烁和拖影。
海马云旗下 RunningHub 正式发布自研生成式视频超分模型 RH Upscale，把核心目标直接定在“放大而不改内容”上：在提升分辨率、恢复纹理的同时，尽量保持人物、构图、色调以及运动过程的一致性。这一定位本身说明，它要处理的不是单纯的清晰度问题，而是生成能力与内容保真之间的边界问题。
0.539 分是怎么来的：13 组横评的边界与盲区
按照来源描述，这次横向评测共纳入 13 个参测配置，包括 RH Upscale 的五档模式以及多种视频超分方案。测试统一采用 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进行比较。最终，RH Upscale Ultra 以 0.539 的综合得分位列第一。
需要明确的是，这组数字来自 RunningHub 一方提供的评测，来源未给出独立复现信息。0.539 的具体计算方式与各维度权重未在来源中说明；13 组横评中除 RH Upscale 五档外的其他参测方案名称与得分也未披露。因此，0.539 与“第一”应被理解为厂商发布的评测结论，而非第三方验证过的定论。
评测统一采用 540P 输入、1080P 输出，其他分辨率场景未在来源中说明。这意味着该结论的适用范围被限定在这一特定输入输出条件下，不能直接外推到更高或更低分辨率的实际生产场景。
可信度边界
本文全部信息来自 RunningHub 通过微信公众号发布的单一来源，属厂商发布性质，缺少第三方独立评测与复现信息。评测的参测配置、评测方法与结论均由厂商一方提供；0.539 综合得分的计算方式与各维度权重、其他参测方案名称与得分、High/Medium/Low 三档性能数据、实拍与压缩低清素材的效果数据均未披露。文中涉及评测排名、耗时对比、技术路径有效性的表述应视为来源主张，涉及生产价值的表述为基于来源信息的推断。
主报道
机器之心
主报道来源