Một ý tưởng trong lab — sắc nét hơn, một ngày nào đó.

Một luồng remote desktop trải qua hai lần nén trước khi tới mắt bạn. Đầu tiên, host thu nhỏ độ phân giải khi nguồn vượt quá những gì client hiển thị được — một MacBook Pro 14" M4 host ở 3024 x 1964 stream tới iPad mini ở 2266 x 1488 đã bỏ đi khoảng một phần ba số pixel trước cả khi bộ mã hoá nhìn thấy khung hình. Thứ hai, bản thân bộ mã hoá áp dụng nén mất dữ liệu để vừa với bitrate mà mạng tải được. Cả hai bước đều vứt bỏ chi tiết tần số cao — đúng thứ tạo nên khác biệt giữa một glyph ký tự sắc nét và một vệt nhoè nhoẹt.

Ý tưởng chúng tôi đang khám phá là một bước khôi phục chất lượng có thể chạy trên client sau khi giải mã: nhìn vào khung hình đã giải nén và dự đoán phần nội dung tần số cao mà khung hình gốc từng có trước khi bị thu nhỏ và ép qua bộ mã hoá. Khác với phóng đại bilinear hay bicubic cổ điển — vốn chỉ nội suy từ những pixel đã có sẵn — một mạng nơ-ron đã huấn luyện có thể học được cạnh, hình dạng chữ và hình khối giao diện trông thế nào ở độ phân giải đầy đủ, và tái tạo chi tiết mà phép nội suy đơn giản không làm được.

Nếu nó hoạt động đúng như kỳ vọng, hiệu quả sẽ rõ nhất đúng ở nơi bạn cần nhất: chữ thân 11-point, code trong font đơn cách, đường hairline trong file Figma, viền nút trong thanh bên. Đây là những trường hợp mà vài pixel bị nhoè quyết định ranh giới giữa "đọc được" và "phải nhoài người tới gần." Đó là một khoảng trống thật sự mà bất kỳ bộ mã hoá tối ưu cho chuyển động nào cũng không tự khắc phục được — chính vì vậy mới đáng bỏ thời gian nghiên cứu xem một mô hình chạy trên thiết bị có lấp được khoảng trống đó hay không.

Chúng tôi chưa tới đó. Hôm nay, câu trả lời thành thật cho "làm sao giữ một phiên sắc nét trên kết nối tệ" chính là cơ chế bitrate thích ứng của Remio — nó đã đọc mạng của bạn và chọn giới hạn giữ hình sắc nét nhất mà kết nối cho phép, mà không làm lag tăng vọt. Phóng đại bằng mạng nơ-ron, nếu có, sẽ là một lớp bổ sung trên nền đó, chứ không thay thế nó.

Nó có thắng rõ ràng những gì chúng tôi đã có không? Cơ chế bitrate thích ứng của Remio đã đọc kết nối của bạn và chọn giới hạn giữ hình sắc nét nhất mà mạng cho phép. Một mô hình nơ-ron chỉ xứng đáng có mặt nếu nó khôi phục chi tiết vượt trên nền đó ở mức người dùng thực sự nhận ra — chứ không phải một chiến thắng trên benchmark biến mất khi nhìn ở khoảng cách bình thường.

Nó có tốn pin đáng kể trên điện thoại hay máy tính bảng không? Chạy bất kỳ mô hình nào trên mọi khung hình đã giải mã, suốt cả phiên, đều có chi phí điện năng thật. Chúng tôi muốn chi phí đó đủ nhỏ để không ai phải bận tâm — hoặc có một hành vi "Auto" thành thật, rõ ràng, chỉ tốn pin khi có gì đó thực sự đáng khôi phục, cùng một công tắc tắt thật cho ai không muốn trả cái giá đó.

Nó có giữ sự thành thật về việc nó đang làm gì không? Một mô hình tái tạo chi tiết hợp lý từ những pixel đã nén là việc khác hẳn với một mô hình bịa ra nội dung chưa từng tồn tại. Với một remote desktop, nơi những gì bạn thấy phải khớp với những gì thật sự có trên host, sự khác biệt đó không phải chuyện phụ — nó là cả mô hình niềm tin. Bất kỳ thứ gì chúng tôi phát hành cũng phải tái tạo, không bao giờ bịa đặt.

Cho tới khi trả lời được cả ba câu bằng con số thật, không phải dự đoán, tính năng này vẫn ở lại là một ý tưởng nghiên cứu trên trang này — không phải một công tắc trong ứng dụng.

H.265 phần cứng từ đầu tới cuối nghĩa là bộ mã hoá trên host và bộ giải mã trên client của bạn đều chạy trên chip video chuyên dụng, không phải CPU — cùng lý do một video 4K phát mượt trên điện thoại dù nó sẽ nghẹt nếu phải giải mã bằng phần mềm. Dư địa đó là thứ giúp Remio giữ được chi tiết ở một bitrate mà một codec phần mềm không chịu nổi.

Cơ chế bitrate thích ứng chính là phần đang thực sự làm công việc mà phóng đại bằng AI được kỳ vọng hỗ trợ: nó đo kết nối của bạn ngay từ đầu phiên và chọn giới hạn bitrate cao nhất mà kết nối đó chịu được mà không làm lag tăng vọt, thay vì âm thầm bóp luồng stream. Xem cách bitrate thích ứng hoạt động →

Màn hình ảo và bộ render không đệm hoàn thiện nốt phần còn lại. Vì màn hình mà Remio stream có kích thước khớp đúng cửa sổ của bạn thay vì toàn bộ màn hình host, bạn không bao giờ nhìn vào một bản sao bị thu nhỏ của thứ gì đó lớn hơn. Và vì bộ render luôn vẽ khung hình mới nhất đã giải mã — bỏ khung cũ thay vì cố bắt kịp chúng — không có gì bạn thấy là cũ vào lúc nó tới màn hình. Kết hợp cả bốn, phần lớn phiên làm việc còn không cần tới bước khôi phục chất lượng nào cả.

Nó sẽ không bịa ra phần giao diện bị thiếu. Nếu một nút bị cắt ở mép luồng vì bộ mã hoá bỏ mất một vùng, một mô hình tự vẽ ra phần nút còn lại không có chỗ trong một remote desktop. Bạn cần tin rằng những gì thấy trên iPad khớp với những gì thật sự có trên host — một mô hình tạo sinh tự điền vào nội dung chưa từng tồn tại sẽ phá vỡ niềm tin đó, nên chúng tôi chỉ phát hành một mô hình tái tạo từ những pixel đã thực sự được mã hoá, không bao giờ bịa đặt.

Nó sẽ không được quảng cáo là tăng tốc độ khung hình. Tốc độ khung hình trên Remio do tốc độ chụp của host và khả năng giao khung đúng lúc của mạng quyết định — đó là việc của bộ render không đệm đã chạy thật hôm nay, không phải của một bộ phóng đại. Bất kỳ mô hình nào chúng tôi xây dựng cũng sẽ chỉ tạo ra một khung sắc nét hơn cho mỗi khung được giải mã, không hơn.

Nó sẽ không được rao là sửa video đang phát trên host. Nếu bạn đang xem phim trên chiếc Mac từ xa, thứ được stream là bất cứ gì mà bộ giải mã video của chính host đã render — ở độ phân giải của host. Một bước khôi phục chất lượng trên luồng stream không cải thiện được nguồn mà host đã tạo ra; muốn xem phim sắc nét hơn, lời khuyên thành thật vẫn như hôm nay: phát phim ngay trên thiết bị client của bạn, chứ không phải trên host.

Và nó sẽ không bao giờ được bán như một thứ thay thế cho mạng tốt. Một kết nối LAN trực tiếp luôn sắc nét hơn một kết nối WAN bị bó dù có phóng đại bao nhiêu đi nữa — cơ chế bitrate thích ứng mà Remio đang chạy hôm nay đã cho bạn hình ảnh sắc nét nhất mà kết nối thật của bạn chịu được. Bất kỳ thứ gì chúng tôi xây dựng ở đây cũng chỉ là bảo hiểm bổ sung cho mạng tệ, không phải thứ thay thế cho một mạng tốt.