NAFNet Denoise is a image-to-image AI model by megvii-research. On ModelRunner it runs through a REST API or via MCP from any AI assistant, at $0.0225 per megapixel.
POST https://queue.modelrunner.run/megvii-research/nafnet/denoise
cURL
# Submit a request to the queue. Input fields go at the top level of the
# body. The optional reserved "metadata" object holds your own flat string
# tags — stored on the request, never sent to the model; filter later with
# GET https://queue.modelrunner.run/requests?metadata=<url-encoded JSON>.
curl -X POST https://queue.modelrunner.run/megvii-research/nafnet/denoise \
-H "Authorization: Key $MRUN_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"image_url": "https://media.modelrunner.ai/6SozpRJV3o7dNUJ54opGZ.png",
"metadata": {
"project": "my-project"
}
}'
# → { "request_id": "...", "status_url": "...", "response_url": "..." }
# Poll status_url until "COMPLETED", then fetch the result
curl "https://queue.modelrunner.run/megvii-research/nafnet/denoise/requests/$REQUEST_ID/status" \
-H "Authorization: Key $MRUN_API_KEY"
curl "https://queue.modelrunner.run/megvii-research/nafnet/denoise/requests/$REQUEST_ID" \
-H "Authorization: Key $MRUN_API_KEY"
JavaScript
import { modelrunner } from "@modelrunner/client";
const result = await modelrunner.subscribe("megvii-research/nafnet/denoise", {
input: {
"image_url": "https://media.modelrunner.ai/6SozpRJV3o7dNUJ54opGZ.png"
},
});
console.log(result);
Python
import os
import requests
headers = {"Authorization": f"Key {os.environ['MRUN_API_KEY']}"}
submitted = requests.post(
"https://queue.modelrunner.run/megvii-research/nafnet/denoise",
headers=headers,
json={
"image_url": "https://media.modelrunner.ai/6SozpRJV3o7dNUJ54opGZ.png"
},
).json()
# Poll submitted["status_url"] until "COMPLETED", then:
result = requests.get(submitted["response_url"], headers=headers).json()
Input parameters
Input parameters of NAFNet Denoise
Name
Type
Required
Description
image_url
string (uri)
yes
URL of the noisy or grainy image to denoise and restore.
Point Claude Code, Claude Desktop, Cursor, or any MCP client at the ModelRunner MCP server and NAFNet Denoise becomes a tool your assistant can call directly — it authorizes via OAuth (no API key in config) and runs this model with the run_model tool using the endpoint megvii-research/nafnet/denoise.
claude mcp add --transport http modelrunner https://mcp.modelrunner.run/mcp
Then ask your assistant, for example: “Run megvii-research/nafnet/denoise on ModelRunner to generate image”. MCP setup guide.
Model Detayları
Model Detayları
NAFNet Denoise, bir fotoğraftaki gürültüyü, grenleri ve sensör artefaktlarını temizler; girdinin özgün çözünürlüğünde daha temiz, restore edilmiş bir sürüm döndürür. Tek bir gürültülü görsel verin; model kenarları ve yapıyı koruyarak ince ayrıntıları ve yumuşak ton geçişlerini yeniden oluşturur — prompt ya da elle ince ayar gerekmez. NAFNet (Nonlinear Activation Free Network) üzerine kuruludur: MEGVII Research tarafından ECCV 2022 makalesi \"Simple Baselines for Image Restoration\" ile tanıtılan son teknoloji bir görsel restorasyon mimarisi. Gerçekçi gürültü giderimi için SIDD akıllı telefon gürültü giderme veri setiyle eğitilmiştir.\n\nModel bir görsel URL’si ve isteğe bağlı bir seed alır, restore edilmiş tek bir görsel URL’si döndürür. Özgün çözünürlükte restore ettiği için çıktının boyutları girdiyle aynıdır — bu da temiz bir önce/sonra karşılaştırması sağlar.\n\n## En uygun olduğu işler\n- Belirgin gren ve renk gürültüsü taşıyan, düşük ışıkta ya da yüksek ISO’da çekilmiş fotoğrafları temizlemek\n- Akıllı telefon ve fotoğraf makinesi çekimlerindeki sensör gürültüsünü gidermek\n- Taranmış görselleri, film grenli çekimleri ve eski ya da yıpranmış fotoğrafları restore etmek\n- Sonraki düzenleme ya da upscaling öncesinde sıkıştırma ve JPEG artefaktlarını azaltmak\n- Gürültülü görselleri tespit, OCR ya da sonraki aşamalardaki diğer pipeline’lar öncesinde ön işlemden geçirmek\n\n## Şu durumlarda başka bir model seçin\n- Gürültü gidermek yerine görseli büyütmek ya da çözünürlüğünü artırmak istiyorsanız — bir upscaling modeli kullanın\n- Özellikle hareket bulanıklığını ya da odak dışı bulanıklığı düzeltmeniz gerekiyorsa — bir bulanıklık giderme modeli kullanın\n- Metin prompt’uyla görseli yeniden aydınlatmak, yeniden tarzlamak ya da içeriğini düzenlemek istiyorsanız — bir görsel düzenleme ya da yeniden aydınlatma modeli kullanın\n- Kaynak fotoğraf olmadan metinden yeni bir görsel üretmeniz gerekiyorsa — bir text-to-image modeli kullanın\n\n## İpuçları\n- Elinizdeki gürültülü görselin en kaliteli sürümünü verin; model özgün çözünürlükte restore ettiğinden girdinin boyutları çıktıya aynen taşınır.\n- `seed` değerini yalnızca çalıştırmalar arasında tekrarlanabilir sonuç gerektiğinde ayarlayın.\n\n## Sınırlamalar\n- Çok yoğun gürültü giderilirken en ince dokular da yumuşayabilir.\n- Yalnızca gürültüyü giderir — bulanıklığı keskinleştirmez, upscaling yapmaz, pozlamayı ya da rengi düzeltmez.\n\nModelRunner JavaScript client ile çalıştırmak için:\n```js\nimport { modelrunner } from \"@modelrunner/client\";\n\nconst result = await modelrunner.subscribe(\"megvii-research/nafnet/denoise\", {\n input: {\n image_url: \"https://media.modelrunner.ai/example-noisy-photo.png\",\n },\n});\n```
