Super-Resolution-Techniken lassen sich grob in folgende Kategorien einteilen:

• Traditionelle interpolationsbasierte Methoden (Bilinear, Bikubisch, Lanczos);
• Deep-Learning-basierte Super-Resolution (CNNs, GANs, Transformer).

Traditionelle interpolationsbasierte Methoden

Interpolation ist einer der einfachsten Ansätze zur Super-Resolution, bei dem fehlende Pixelwerte auf Basis der umliegenden Pixel geschätzt werden. Alle gängigen Interpolationsverfahren nutzen cv2.resize(), wobei sich der Wert des Parameters interpolation unterscheidet:

Nächster-Nachbar-Interpolation

• Kopiert den nächstgelegenen Pixelwert an die neue Position;
• Erzeugt scharfe, aber blockartige Bilder;
• Schnell, aber es fehlt an Glätte und Details.

Bilineare Interpolation

• Mittelt vier benachbarte Pixel, um den neuen Pixelwert zu schätzen;
• Erzeugt glattere Bilder, kann jedoch Unschärfe verursachen.

Bikubische Interpolation

• Verwendet einen gewichteten Durchschnitt von 16 umliegenden Pixeln;
• Bietet bessere Glätte und Schärfe im Vergleich zur bilinearen Interpolation.

Lanczos-Interpolation

• Verwendet eine Sinc-Funktion zur Berechnung der Pixelwerte;
• Bietet bessere Schärfe und minimales Aliasing.

Obwohl interpolationsbasierte Methoden recheneffizient sind, gelingt es ihnen oft nicht, feine Details und Texturen wiederherzustellen.

Deep-Learning-basierte Super-Resolution

Vorgefertigte Super-Resolution-Modelle:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Schnell und effizient für Echtzeit-SR;
• FSRCNN (Fast Super-Resolution CNN): Ein leichtgewichtiges Netzwerk, das auf Geschwindigkeit optimiert ist;
• LapSRN (Laplacian Pyramid SR Network): Nutzt progressives Upscaling für bessere Details.