Техніки суперроздільної здатності можна умовно поділити на такі категорії:

• Традиційні методи інтерполяції (Bilinear, Bicubic, Lanczos);

• Суперрезолюція на основі глибокого навчання (CNNs, GANs, Transformers).

Традиційні методи інтерполяції

Інтерполяція — один із найпростіших підходів до суперрезолюції, коли відсутні пікселі оцінюються на основі значень сусідніх пікселів. Усі поширені техніки інтерполяції використовують cv2.resize(), але параметр interpolation відрізняється:

Інтерполяція методом найближчого сусіда

• Копіює значення найближчого пікселя у нове місце;

• Створює різкі, але "блочні" зображення;

• Швидкий, але бракує плавності та деталізації.

Білайнерна інтерполяція

• Усереднює чотири сусідні пікселі для оцінки нового значення пікселя;

• Забезпечує більш плавне зображення, але може призводити до розмиття.

Бікубічна інтерполяція

• Використовує зважене середнє 16 навколишніх пікселів;

• Забезпечує кращу плавність і різкість у порівнянні з білайнерною інтерполяцією.

Інтерполяція Ланцоша

• Використовує функцію sinc для обчислення значень пікселів;

• Забезпечує кращу різкість і мінімальні спотворення (аліасинг).

Хоча методи, засновані на інтерполяції, є обчислювально ефективними, вони часто не відновлюють дрібні деталі та текстури.

Суперрезолюція на основі глибокого навчання

Попередньо навчені моделі суперрезолюції:

• ESPCN (Efficient Sub-Pixel Convolutional Network): швидка та ефективна для задач реального часу SR;

• FSRCNN (Fast Super-Resolution CNN): легка мережа, оптимізована для швидкості;

• LapSRN (Laplacian Pyramid SR Network): використовує поступове масштабування для кращої деталізації.