Las técnicas de super-resolución pueden clasificarse ampliamente en:

• Métodos tradicionales basados en interpolación (Bilineal, Bicúbica, Lanczos);
• Super-resolución basada en aprendizaje profundo (CNNs, GANs, Transformers).

Métodos tradicionales basados en interpolación

La interpolación es uno de los enfoques más simples para la super-resolución, donde los píxeles faltantes se estiman en función de los valores de los píxeles circundantes. Todas las técnicas comunes de interpolación incluyen cv2.resize(), pero el parámetro interpolation varía:

Interpolación por vecino más cercano

• Copia el valor del píxel más cercano a la nueva ubicación;
• Produce imágenes nítidas pero con apariencia de bloques;
• Rápido pero carece de suavidad y detalle.

Interpolación Bilineal

• Promedia cuatro píxeles vecinos para estimar el nuevo valor del píxel;
• Produce imágenes más suaves, pero puede introducir desenfoque.

Interpolación Bicúbica

• Utiliza un promedio ponderado de 16 píxeles circundantes;
• Ofrece mayor suavidad y nitidez en comparación con la interpolación bilineal.

Interpolación Lanczos

• Utiliza una función sinc para calcular los valores de los píxeles;
• Proporciona mejor nitidez y un aliasing mínimo.

Si bien los métodos basados en interpolación son computacionalmente eficientes, a menudo no logran restaurar detalles finos y texturas.

Superresolución Basada en Aprendizaje Profundo

Modelos Preentrenados de Superresolución:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Rápido y eficiente para superresolución en tiempo real;
• FSRCNN (Fast Super-Resolution CNN): Red ligera optimizada para la velocidad;
• LapSRN (Laplacian Pyramid SR Network): Utiliza escalado progresivo para obtener mejores detalles.