As técnicas de super-resolução podem ser amplamente categorizadas em:

• Métodos tradicionais baseados em interpolação (Bilinear, Bicúbica, Lanczos);
• Super-resolução baseada em aprendizado profundo (CNNs, GANs, Transformers).

Métodos Tradicionais Baseados em Interpolação

A interpolação é uma das abordagens mais simples para super-resolução, onde pixels ausentes são estimados com base nos valores dos pixels ao redor. Todas as técnicas comuns de interpolação incluem cv2.resize(), mas o parâmetro interpolation difere:

Interpolação por Vizinho Mais Próximo

• Copia o valor do pixel mais próximo para a nova localização;
• Produz imagens nítidas, porém com aparência de blocos;
• Rápido, mas carece de suavidade e detalhes.

Interpolação Bilinear

• Faz a média de quatro pixels vizinhos para estimar o novo valor do pixel;
• Produz imagens mais suaves, mas pode introduzir desfoque.

Interpolação Bicúbica

• Utiliza uma média ponderada de 16 pixels ao redor;
• Oferece melhor suavidade e nitidez em comparação à interpolação bilinear.

Interpolação Lanczos

• Utiliza uma função sinc para calcular os valores dos pixels;
• Proporciona melhor nitidez e mínimo efeito de aliasing.

Embora os métodos baseados em interpolação sejam computacionalmente eficientes, eles frequentemente não conseguem restaurar detalhes e texturas finas.

Super-Resolução Baseada em Deep Learning

Modelos Pré-Treinados de Super-Resolução:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Rápido e eficiente para SR em tempo real;
• FSRCNN (Fast Super-Resolution CNN): Rede leve otimizada para velocidade;
• LapSRN (Laplacian Pyramid SR Network): Utiliza upscaling progressivo para melhores detalhes.