Superoppløsningsmetoder kan grovt deles inn i:

• Tradisjonelle interpolasjonsbaserte metoder (Bilinear, Bicubic, Lanczos);
• Dyp læringsbasert superoppløsning (CNN-er, GAN-er, Transformere).

Tradisjonelle interpolasjonsbaserte metoder

Interpolasjon er en av de enkleste tilnærmingene til superoppløsning, der manglende piksler estimeres basert på omkringliggende pikselverdier. Alle vanlige interpolasjonsteknikker inkluderer cv2.resize(), men interpolation-parameteren varierer:

Nærmeste-nabo-interpolasjon

• Kopierer den nærmeste pikselverdien til den nye plasseringen;
• Gir skarpe, men blokkerte bilder;
• Rask, men mangler jevnhet og detaljer.

Bilineær interpolasjon

• Gjennomsnitt av fire nabopiksler for å estimere den nye pikselverdien;
• Gir jevnere bilder, men kan føre til uskarphet.

Bikubisk interpolasjon

• Bruker en vektet gjennomsnittsberegning av 16 omkringliggende piksler;
• Gir bedre jevnhet og skarphet sammenlignet med bilineær interpolasjon.

Lanczos-interpolasjon

• Bruker en sinc-funksjon for å beregne pikselverdier;
• Gir bedre skarphet og minimal aliasing.

Selv om interpolasjonsbaserte metoder er beregningsmessig effektive, klarer de ofte ikke å gjenopprette fine detaljer og teksturer.

Dyp læringsbasert superoppløsning

Ferdigtrente superoppløsningsmodeller:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Rask og effektiv for sanntids superoppløsning;
• FSRCNN (Fast Super-Resolution CNN): Et lettvektsnettverk optimalisert for hastighet;
• LapSRN (Laplacian Pyramid SR Network): Bruker progressiv oppskalering for bedre detaljer.