Amazon SageMaker AI 上で SeedVR2 をデプロイして超解像を実現する方法

ディスプレイ技術が高解像度へと進化するにつれ、多くの組織が共通の課題に直面しています。既存のビデオライブラリには低解像度のコンテンツが含まれており、最新のハイデフィニションディスプレイ上でピクセル化したりぼやけたりして表示されてしまうのです。 従来のビデオアップスケーリング手法は、計算資源の限界、品質の一貫性の欠如、大規模なビデオコレクションを処理する際の拡張性問題にしばしば直面します。また、多くの既存ソリューションには、細部の復元、エッジのシャープ化、ノイズアーティファクトの低減に必要な技術が不足しています。 [SeedVR2](https://github.com/ByteDance-Seed/SeedVR) は、ByteDance の Seed チームが開発したオープンソースのビデオ修復モデルです。[Amazon SageMaker AI](https://aws.amazon.com/sagemaker/) 上で SeedVR2 を実行することで、アップスケーリングやビデオ品質向上（スーパーリゾリューション [super resolution](https://en.wikipedia.org/wiki/Super-resolution_imaging)）のための拡張性のあるソリューションが提供され、これらの課題に対処できます。このアプローチはフレームごとに視覚情報を分析して細部を復元し、ビデオ品質を改善するため、高解像度コンテンツの再購入は不要です。SageMaker の管理インフラストラクチャを利用すれば、コスト効率とパフォーマンスを維持しながら、大規模なビデオコレクションを処理することが可能です。 本稿では、SageMaker AI で SeedVR2 を使用してビデオのアップスケーリングを実装する方法を示します。ソリューションアーキテクチャを解説し、デプロイ手順を追跡し、品質向上と処理効率において達成可能なパフォーマンス比較を紹介することで、その改善点を明確にします。本稿を終える頃には、このスーパーリゾリューション（超解像）ソリューションを実装するために必要な実践的な知識が得られるでしょう。 ## ユースケース ビデオアップスケーリングは、業界全体で多くの応用があります。アーカイブ機関、博物館、放送局は、歴史的な映像を高解像度で復元・デジタル化することができます。これにより文化遺産が保存され、現代の視聴サービスに適した形になります。ストリーミングサービスは、古いテレビ番組や映画を 4K またはそれ以上の解像度にアップスケーリングできます。これにより、膨大なコンテンツライブラリ全体のリマスターを必要とせずに、加入者の体験を向上させることができます。 注目すべき価値ある応用例の一つに、生成モデルの計算集約性により解像度が低いことが多い AI 生成動画のアップスケーリングがあります。これらの合成動画に専用のアップスケーリングアルゴリズムを適用することで、クリエイターは計算リソース効率の良いラフドラフトを、磨き上げられた高解像度の最終製品へと変換できます。これにより、直接高解像度で生成する場合よりも遥かに高い処理要件を回避できます。その結果、低解像度でアイデアの迅速なプロトタイピングを行い、その後それを強化するという 2 段階のワークフローが実現します。このアプローチは、現代のディスプレイ規格に適合する視覚品質を維持しつつ、AI 動画制作に必要な時間と計算リソースを削減します。 ## ソリューションアーキテクチャ 本ソリューションは、[AWS Cloud Development Kit (AWS CDK)](https://aws.amazon.com/cdk/) を用いたインフラストラクチャー・アズ・コードで定義された 3 層の AWS アーキテクチャを採用しています。SecurityStack は、[Amazon Virtual Private Cloud (Amazon VPC)](https://aws.amazon.com/vpc/) の設定、最小権限アクセスを持つ [AWS Identity and Access Management (AWS IAM)](https://aws.amazon.com/iam/) ロール、および [AWS Key Management Service (AWS KMS)](https://aws.amazon.com/kms/) 暗号化キーの確立により基盤を構築します。このスタックは、VPC エンドポイントを通じて AWS サービスへの安全なアクセスを維持しつつ、ビデオ処理ワークロードをプライベートサブネット内に隔離するセキュリティ境界を作成します。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/04/ML-19605-1.png) DataStack は、入力および出力の動画ファイルに対してサーバーサイド暗号化を適用した [Amazon Simple Storage Service (Amazon S3)](https://aws.amazon.com/s3/) バケットを用いてストレージ層を実装しています。入力用バケットには生動画が保存され、出力用バケットにはアップスケーリングされた動画が保存されます。両方のバケットでは、オブジェクト管理のためにバージョニングとライフサイクルポリシーが実装されています。 コアとなる処理パイプラインは、[Amazon SageMaker AI](https://aws.amazon.com/sagemaker/ai/) の [処理ジョブ](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html) を起動する [AWS Lambda](https://aws.amazon.com/lambda/) 関数を通じて実行されます。このジョブでは、カスタム [Docker](https://www.docker.com/) コンテナを実行する ml.g5.4xlarge インスタンスが使用されます。このコンテナには ComfyUI 向けの [SeedVR2 モデル](https://github.com/numz/ComfyUI-SeedVR2_VideoUpscaler) がパッケージ化されており、解像度やバッチ処理のための設定可能なパラメータを備えた高品質な動画アップスケーリングを提供します。本ソリューションでは、SeedVR2 を実行する推論フレームワークとして ComfyUI を採用しており、これによりハードウェア最適化された実行が可能となります。 処理ワークフローは、動画を入力 S3 バケットにアップロードすると開始されます。その後、Lambda 関数が SageMaker の処理ジョブを作成し、カスタムコンテナを [Amazon Elastic Container Registry (Amazon ECR)](https://aws.amazon.com/ecr/) からプルしてマウントし、GPU 対応インフラ上で動画のアップスケーリングアルゴリズムを実行します。処理された動画は出力バケットに保存されます。[Amazon CloudWatch](https://aws.amazon.com/cloudwatch/) は、パイプライン全体での監視とトラブルシューティングのためのログを提供します。 ## SeedVR2 データフロー 以下の図は、データがソリューション内をどのように流れるかを示しています。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/04/ML-19605-2.png) 処理ワークフローは、生動画を S3 入力バケットにアップロードすると開始されます。その後、Lambda 関数をトリガーして、一意のタイムスタンプ名を持つ SageMaker の処理ジョブを作成します。SageMaker は ml.g5.4xlarge GPU インスタンスを開始し、SeedVR2 コンテナを Amazon ECR からプルして S3 入力バケットをマウントし、処理対象の動画ファイルを読み込みます。SeedVR2 モデルは GPU 上で動画をアップスケーリングし、処理された出力を S3 出力バケットに書き込みます。その後、インスタンスは終了します。アップスケーリングされた動画は、出力バケットから取得できます。 ## デプロイ手順 ## 前提条件 開始する前に、以下のツールとリソースがインストールされ、設定されていることを確認してください： - Python 3.13+ - AWS Command Line Interface (AWS CLI) - Docker - AWS Cloud Development Kit (AWS CDK) v2 - 適切な権限を持つ AWS アカウント - SageMaker プロセッシングジョブにおける ml.g5.4xlarge のサービスクォータリクエスト ## ステップ 1: プロジェクトのクローンと環境設定 リポジトリをクローンし、環境構成ファイルを作成します: git clone https://github.com/aws-samples/sample-sagemaker-video-upscaler.git cd sample-sagemaker-video-upscaler cp .env.example .env AWS アカウントの詳細で.env ファイルを編集してください: AWS_ACCOUNT_ID= REGION= ## ステップ 2: 依存関係のインストールと AWS CDK のブートストラップ 高速な Python パッケージマネージャーである uv を使用して依存関係をインストールし、仮想環境を作成します: curl -LsSf https://astral.sh/uv/install.sh | sh uv venv --python 3.13 and source .venv/bin/activate uv sync AWS アカウントで AWS CDK をブートストラップします。これは一度きりの設定ステップです。権限エラーが発生した場合は、aws sts get-caller-identity コマンドを実行して認証情報を確認してください。 cdk bootstrap aws:/// ## ステップ 3: Amazon ECR への認証 docker を us-east-1 の AWS Deep Learning Container Amazon ECR リジストリと認証します。これは、デプロイ先のリージョンに関わらず、ローカルの Docker ビルド時に PyTorch ベースイメージをプルするために必要です。Docker ビルドが失敗した場合は、Amazon ECR の認証を確認し、docker system prune -a を実行してキャッシュされたイメージをクリアしてください。 aws ecr get-login-password --region us-east-1 | \ docker login --username AWS --password-stdin \ 763104351884.dkr.ecr.us-east-1.amazonaws.com ## Step 4: Deploy the infrastructure Deploy your entire infrastructure with a single command. This creates your VPC, S3 buckets, Lambda function, SageMaker processing job definition, and Amazon ECR repository. Deployment takes 15–20 minutes to complete, depending on your compute and network speed. cdk deploy --all --require-approval never ## Step 5: Test the pipeline Upload a test video to the input S3 bucket: aws s3 cp your-video.mp4 s3://--datastack-input-bucket/ Trigger the Lambda function to start the processing job: aws lambda invoke \ --function-name SeedVrStack-ProcessingJob-Trigger-SeedVr-trigger-Lambda \ --payload '{}' \ output.json Monitor the process through Amazon CloudWatch Logs for Lambda execution, the SageMaker console for processing job status, and the S3 console for your enhanced video output. If the processing job fails, review the CloudWatch logs under /aws/sagemaker/ProcessingJobs. Also verify that the output bucket contains your upscaled video file. ## Tuning performance You can customize your processing parameters in config/config.yaml: InstanceType: ml.g5.4xlarge # Minimum resolution: "540" # Output quality batch_size: "81" # Processing efficiency model: "seedvr2_ema_3b_fp8_e4m3fn.safetensors" モデルの完全リストについては、Hugging Face ウェブサイトの [SeedVR2 ComfyUI models](https://huggingface.co/numz/SeedVR2_comfyUI/tree/main) をご覧ください。 ## コスト管理 ml.g5.4xlarge インスタンスのコストは、執筆時点ではリージョンによって異なりますが、時間あたり約 1.20 ドルです。インスタンスの稼働時間に対してのみ課金されます。S3 ストレージのコストは、ほとんどのユースケースで最小限です。 ## スケーリングと今後の展望 このパイプラインは、単一動画からバッチ処理までを自動的に処理します。より大規模なデータセットの場合は、[create_processing_job](https://docs.aws.amazon.com/boto3/latest/reference/services/sagemaker/client/create_processing_job.html) boto3 コール内の S3DataDistributionType を ShardedByS3Key に変更することで、複数の並列インスタンスの使用を検討してください。詳細については、[ProcessingS3Input API リファレンス](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProcessingS3Input.html) をご覧ください。 ## SeedVR2 の仕組み [SeedVR2](https://arxiv.org/abs/2506.05301) は、拡散モデルと生成敵対ネットワーク（GANs）を「拡散敵対事後学習（APT）」と呼ばれるプロセスを通じて統合した動画修復モデルです。その中核となる技術は、AI を用いて欠落する詳細情報を再構築するものであり、160 億パラメータの GAN アーキテクチャに基づいて構築されています。このシステムは、2 つ段階からなる APT プロセスを通じて動作します。このプロセスには、64 ステップを 1 ステップに圧縮する漸進的蒸留と、実際の高解像度動画から学習する実データトレーニングが含まれます。アーキテクチャでは、適応型ウィンドウアテンションのために Swin Transformer が使用され、相対的ペアリング GAN（RpGAN）損失、R1/R2 正則化、および特徴マッチング損失など、複数のセーフガードが組み込まれています。通常の GAN と同様に、RpGAN もグローバルミニマムへの収束を保証するものではありません。しかし、R1 と R2 の正則化を組み合わせることで、強力な安定性とモードカバレッジが提供されます。このモデルの重要な革新点は、拡散モデルの信頼性と GAN の効率性を組み合わせた点にあります。これにより、フレーム全体を処理しながらターゲット解像度に対して動的に調整することが可能になります。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/04/ML-19605-3.png) ## サンプル結果 動画のアップスケーリング結果を最もよく理解するには、直接比較することが最適です。以下の 3 つのサンプルでは、元の素材から異なるアップスケーリング手法を経て、品質がどのように向上していくかを示しています。 ## オリジナル映像 ここで示されているオリジナルソース映像は、240p レゾリューションの動画クリップです。エッジ周辺に目に見えるピクセル化が見られ、全体的に詳細と鮮明さが欠けている点にご注意ください。これは特に鳥、植物、ピーナッツの質感において顕著です。低解像度によるぼやけた外観は、現代の高解像度ディスプレイではより明確に認識されます。 ![image](https://d2908q01vomqb2.cloudfront.net/artifacts/DBSBlogs/ML-19605/orig.gif) ## 双三次補間アルゴリズムによるアップスケーリング 従来の双三次補間（Bicubic）アップスケーリングを適用して 540p レゾリューションを実現すると、オリジナル映像と比較して全体的なシャープネスにわずかな改善が見られます。しかし、この数学的補間手法の限界が明らかになります。画像は大きくなりますが、質感の平滑化などの目に見えるアーティファクトはまだ残っています。アルゴリズムは本物の詳細を再現することに苦慮しており、その結果として、高解像度映像の自然な特徴を欠いた、やや人工的な外観のものが生成されてしまいます。 ![image](https://d2908q01vomqb2.cloudfront.net/artifacts/DBSBlogs/ML-19605/bicubic.gif) ## SeedVR2 のアップスケーリング SeedVR2 でアップスケーリングした結果は、解像度を 540p に向上させる一方で視覚的な品質の改善を示しています。AI による強化機能は、自然なテクスチャを維持しつつ微細なディテールを再構築します。鳥、植物、ピーナッツ、その他の要素のテクスチャにおける明瞭度の向上にご注意ください。処理された映像は、よりフィルムライクな品質となり、色の一貫性とエッジの定義性が向上しています。 ![image](https://d2908q01vomqb2.cloudfront.net/artifacts/DBSBlogs/ML-19605/seedvr.gif) ## クリーンアップ 追加のコストが発生しないように、以下の手順に従って作成したリソースを削除してください。 ## ステップ 1: S3 バケットの空化 入力および出力バケットからすべてのオブジェクトを削除します: aws s3 rm s3:// --recursive aws s3 rm s3:// --recursive ## ステップ 2: AWS CDK スタックの破棄 展開されたすべてのインフラストラクチャを撤去します: cdk destroy --all --force ## ステップ 3: ローカルファイルのクリーンアップ ローカル環境から CDK ビルド成果物と Python キャッシュファイルを削除します: rm -rf cdk.out/ .cdk.staging/ find . -type d -name "__pycache__" -delete ## ステップ 4: クリーンアップの確認 すべてのリソースが削除されたことを確認します: aws cloudformation list-stacks --stack-status-filter DELETE_COMPLETE aws s3 ls | grep seedvr aws sagemaker list-processing-jobs --max-results 5 ## 結論 本記事では、Amazon SageMaker AI 上で SeedVR2 を実装し、スケーラブルな動画エンハンスメントを実現する方法について紹介しました。SeedVR2 の AI ドライブ型アップスケーリングと AWS クラウドインフラを組み合わせることで、このソリューションは組織規模に関わらず大規模展開が可能なコスト効果の高い動画品質向上アプローチを提供します。オンデマンドアーキテクチャは効率的なリソース利用をサポートし、自動化されたワークフローにより手動介入を最小限に抑えます。これにより、あらゆる規模の組織が高品質な動画エンハンスメントを利用可能になります。 動画コンテンツが継続的に増加し、ディスプレイ技術が進化する中で、効率的なアップスケーリングソリューションへの需要も高まっています。本実装は、クラウドアーキテクチャが高度な動画処理へのアクセスをどのように改善できるかを示しています。これにより、大規模なインフラ投資なしに、上昇する品質要件を満たすことが可能になります。 このソリューションは、パフォーマンス、コスト、運用効率のバランスが取れたフレームワークを提供します。詳細なデプロイ手順により、セキュリティとスケーラビリティのベストプラクティスを維持しながら、これらの機能を迅速に活用を開始できます。 開始するには、GitHub サイトにある [sample-sagemaker-video-upscaler リポジトリ](https://github.com/aws-samples/sample-sagemaker-video-upscaler/tree/main) を探索し、ご自身のユースケースに合わせてソリューションをデプロイしてください。また、機能強化やバグ修正のためのプルリクエストの提出や課題の作成を通じて、プロジェクトへの貢献も可能です。 ## 著者について ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/04/ML-19605-7.jpg) ## Nick Biso Nick は AWS Professional Services の機械学習エンジニアです。データサイエンスとエンジニアリングを活用して、組織的かつ技術的な複雑な課題の解決にあたっています。さらに、AWS Cloud 上で AI/ML モデルの構築とデプロイも手掛けています。彼の情熱は、旅行や多様な文化的体験への関心にも及んでいます。

Amazon SageMaker AI 上で SeedVR2 をデプロイして超解像を実現する方法

背景や根拠まで確認しますか？

このニュースを、実務の判断につなげる

関連記事

調べる

選ぶ

サイト