Les techniques de super-résolution peuvent être largement 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 :

Interpolation du plus proche voisin

• Copie la valeur du pixel le plus proche à la nouvelle position ;

• Produit des images nettes mais en blocs ;

• Rapide mais manque de douceur et de détails.

Interpolation bilinéaire

• Fait la moyenne de quatre pixels voisins pour estimer la nouvelle valeur du pixel ;

• Produit des images plus lisses mais peut introduire un effet de flou.

Interpolation bicubique

• Utilise une moyenne pondérée de 16 pixels environnants ;

• Offre une meilleure douceur et netteté par rapport à l'interpolation bilinéaire.

Interpolation Lanczos

• Utilise une fonction sinc pour calculer les valeurs des pixels ;

• Offre une meilleure netteté et un aliasing minimal.

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

Super-résolution basée sur l'apprentissage profond

Modèles de super-résolution préentraînés :

• 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 rapidité ;

• LapSRN (Laplacian Pyramid SR Network) : Utilise un suréchantillonnage progressif pour une meilleure restitution des détails.