Super-opløsningsteknikker kan overordnet opdeles i:

• Traditionelle interpolationsbaserede metoder (Bilinear, Bicubic, Lanczos);

• Dybe læringsbaserede super-opløsningsteknikker (CNNs, GANs, Transformers).

Traditionelle Interpolationsbaserede Metoder

Interpolation er en af de simpleste tilgange til super-opløsning, hvor manglende pixels estimeres ud fra omkringliggende pixelværdier. Alle almindelige interpolationsmetoder inkluderer cv2.resize(), men parameteren interpolation varierer:

Nærmeste-nabo-interpolation

• Kopierer den nærmeste pixelværdi til den nye placering;

• Giver skarpe, men kantede billeder;

• Hurtig, men mangler glathed og detaljer.

Bilineær Interpolation

• Gennemsnit af fire nærliggende pixels for at estimere den nye pixelværdi;

• Giver glattere billeder, men kan introducere sløring.

Bikubisk Interpolation

• Anvender en vægtet gennemsnitsberegning af 16 omkringliggende pixels;

• Giver bedre glathed og skarphed sammenlignet med bilineær interpolation.

Lanczos Interpolation

• Anvender en sinc-funktion til at beregne pixelværdier;

• Tilbyder bedre skarphed og minimal aliasing.

Selvom interpolationsbaserede metoder er beregningsmæssigt effektive, formår de ofte ikke at genskabe fine detaljer og teksturer.

Deep Learning-baseret Super-Resolution

Prætrænede Super-Resolution-modeller:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Hurtig og effektiv til realtids-SR;

• FSRCNN (Fast Super-Resolution CNN): Et letvægtsnetværk optimeret til hastighed;

• LapSRN (Laplacian Pyramid SR Network): Anvender progressiv opskalering for bedre detaljer.