Super-resoluutiotekniikat voidaan jakaa laajasti seuraaviin:

• Perinteiset interpolointipohjaiset menetelmät (Bilineaarinen, Bikubinen, Lanczos);
• Syväoppimiseen perustuva super-resoluutio (CNN:t, GAN:t, Transformerit).

Perinteiset interpolointipohjaiset menetelmät

Interpolointi on yksi yksinkertaisimmista super-resoluution lähestymistavoista, jossa puuttuvat pikselit arvioidaan ympäröivien pikseliarvojen perusteella. Kaikki yleiset interpolointitekniikat sisältävät cv2.resize(), mutta interpolation-parametri vaihtelee:

Lähimmän naapurin interpolointi

• Kopioi lähimmän pikselin arvon uuteen sijaintiin;
• Tuottaa teräviä mutta lohkomaisia kuvia;
• Nopea, mutta puuttuu pehmeys ja yksityiskohdat.

Bilineaarinen interpolointi

• Laskee uuden pikseliarvon neljän vierekkäisen pikselin keskiarvona;
• Tuottaa tasaisempia kuvia, mutta voi aiheuttaa sumentumista.

Bikubinen interpolointi

• Käyttää 16 ympäröivän pikselin painotettua keskiarvoa;
• Tarjoaa paremman tasaisuuden ja terävyyden verrattuna bilineaariseen interpolointiin.

Lanczos-interpolointi

• Käyttää sinc-funktiota pikseliarvojen laskemiseen;
• Tarjoaa paremman terävyyden ja minimaalisen aliasoinnin.

Vaikka interpolointipohjaiset menetelmät ovat laskennallisesti tehokkaita, ne eivät usein pysty palauttamaan hienoja yksityiskohtia ja tekstuureja.

Syväoppimiseen perustuva super-resoluutio

Esikoulutetut super-resoluutio-mallit:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Nopea ja tehokas reaaliaikaiseen SR:ään;
• FSRCNN (Fast Super-Resolution CNN): Kevyt verkko, joka on optimoitu nopeudelle;
• LapSRN (Laplacian Pyramid SR Network): Käyttää progressiivista ylöspäin skaalausta paremman yksityiskohtaisuuden saavuttamiseksi.