Les techniques de super-résolution peuvent être globalement classées en :

• Méthodes traditionnelles basées sur l’interpolation (bilinéaire, bicubique, Lanczos) ;
• Super-résolution basée sur l’apprentissage profond (CNN, GAN, Transformers).

Méthodes traditionnelles basées sur l'interpolation

L'interpolation est l'une des approches les plus simples pour la super-résolution, où les pixels manquants sont estimés à partir des valeurs des pixels environnants. Toutes les techniques d'interpolation courantes incluent cv2.resize(), mais le paramètre interpolation diffère :

super_res_image = cv2.resize(image, None, fx=4, fy=4, interpolation=interpolation_param)

Interpolation du plus proche voisin

• Copie la valeur du pixel le plus proche à la nouvelle position ;
• Produit des images nettes mais avec un effet de blocs ;
• Rapide mais manque de douceur et de détails.

interpolation_param = cv2.INTER_NEAREST

Interpolation bilinéaire

• Fait la moyenne de quatre pixels voisins pour estimer la nouvelle valeur du pixel ;
• Produit des images plus lisses mais peut introduire du flou.

 interpolation_param = cv2.INTER_LINEAR

Interpolation bicubique

• Utilise une moyenne pondérée de 16 pixels environnants ;
• Offre une meilleure douceur et netteté par rapport à l'interpolation bilinéaire.

 interpolation_param = cv2.INTER_CUBIC

Interpolation Lanczos

• Utilise une fonction sinc pour calculer les valeurs des pixels ;
• Offre une meilleure netteté et un effet d'aliasing minimal.

 interpolation_param = cv2.INTER_LANCZOS4

Bien que les méthodes basées sur l'interpolation soient efficaces sur le plan computationnel, elles ne parviennent souvent pas à restaurer les détails fins et les textures.

Super-résolution basée sur l'apprentissage profond

Modèles de super-résolution pré-entraînés :

• ESPCN (Efficient Sub-Pixel Convolutional Network) : rapide et efficace pour la super-résolution en temps réel ;
• FSRCNN (Fast Super-Resolution CNN) : réseau léger optimisé pour la vitesse ;
• LapSRN (Laplacian Pyramid SR Network) : utilise un suréchantillonnage progressif pour de meilleurs détails.

 # Load pre-trained model
sr = cv2.dnn_superres.DnnSuperResImpl_create()
sr.readModel("path/to/model.pb")
sr.setModel("model_name", scale_factor)  # Using 4x upscaling

# Apply super-resolution
high_res_image = sr.upsample(image)