Superupplösningstekniker kan grovt delas in i:

• Traditionella interpolationsbaserade metoder (Bilinear, Bicubic, Lanczos);

• Djupinlärningsbaserad superupplösning (CNN:er, GAN:er, Transformatorer).

Traditionella interpolationsbaserade metoder

Interpolation är en av de enklaste metoderna för superupplösning, där saknade pixlar uppskattas baserat på omgivande pixelvärden. Alla vanliga interpolationsmetoder inkluderar cv2.resize(), men parametern interpolation skiljer sig åt:

Närmaste grannes interpolation

• Kopierar det närmaste pixelvärdet till den nya positionen;

• Ger skarpa men blockiga bilder;

• Snabb men saknar jämnhet och detaljrikedom.

Bilinjär Interpolering

• Medelvärde av fyra närliggande pixlar för att uppskatta det nya pixelvärdet;

• Ger mjukare bilder men kan introducera oskärpa.

Bikubisk Interpolering

• Använder ett viktat medelvärde av 16 omgivande pixlar;

• Ger bättre mjukhet och skärpa jämfört med bilinjär interpolering.

Lanczos-interpolering

• Använder en sinc-funktion för att beräkna pixelvärden;

• Erbjuder bättre skärpa och minimal aliasing.

Även om interpolationsbaserade metoder är beräkningsmässigt effektiva, misslyckas de ofta med att återställa fina detaljer och texturer.

Djupinlärningsbaserad superupplösning

Förtränade superupplösningsmodeller:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Snabb och effektiv för realtids-SR;

• FSRCNN (Fast Super-Resolution CNN): Ett lättviktigt nätverk optimerat för hastighet;

• LapSRN (Laplacian Pyramid SR Network): Använder progressiv uppskalning för bättre detaljrikedom.