Super-resolutietechnieken kunnen globaal worden onderverdeeld in:

• Traditionele interpolatie-gebaseerde methoden (Bilineair, Bicubisch, Lanczos);

• Deep learning-gebaseerde super-resolutie (CNN's, GAN's, Transformers).

Traditionele Interpolatie-gebaseerde Methoden

Interpolatie is een van de eenvoudigste benaderingen voor super-resolutie, waarbij ontbrekende pixels worden geschat op basis van omliggende pixelwaarden. Alle gangbare interpolatietechnieken omvatten cv2.resize(), maar de parameter interpolation verschilt:

Nabije-buur Interpolatie

• Kopieert de dichtstbijzijnde pixelwaarde naar de nieuwe locatie;

• Levert scherpe maar blokkerige beelden op;

• Snel, maar mist vloeiendheid en detail.

Bilineaire interpolatie

• Neemt het gemiddelde van vier naburige pixels om de nieuwe pixelwaarde te schatten;

• Levert gladdere beelden op, maar kan vervaging veroorzaken.

Bicubische interpolatie

• Gebruikt een gewogen gemiddelde van 16 omliggende pixels;

• Biedt betere gladheid en scherpte in vergelijking met bilineaire interpolatie.

Lanczos-interpolatie

• Gebruikt een sinc-functie om pixelwaarden te berekenen;

• Biedt betere scherpte en minimale aliasing.

Hoewel interpolatie-gebaseerde methoden computationeel efficiënt zijn, slagen ze er vaak niet in om fijne details en texturen te herstellen.

Deep Learning-gebaseerde Super-Resolutie

Voorgetrainde Super-Resolutie Modellen:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Snel en efficiënt voor real-time SR;

• FSRCNN (Fast Super-Resolution CNN): Een lichtgewicht netwerk geoptimaliseerd voor snelheid;

• LapSRN (Laplacian Pyramid SR Network): Gebruikt progressieve opschaling voor betere details.