Le tecniche di super-risoluzione possono essere ampiamente suddivise in:

• Metodi tradizionali basati su interpolazione (Bilineare, Bicubica, Lanczos);
• Super-risoluzione basata su deep learning (CNN, GAN, Transformer).

Metodi Tradizionali Basati su Interpolazione

L'interpolazione è uno degli approcci più semplici alla super-risoluzione, in cui i pixel mancanti vengono stimati in base ai valori dei pixel circostanti. Tutte le tecniche di interpolazione comuni includono cv2.resize(), ma il parametro interpolation varia:

Interpolazione del Vicino Più Prossimo

• Copia il valore del pixel più vicino nella nuova posizione;
• Produce immagini nitide ma a blocchi;
• Veloce ma priva di uniformità e dettaglio.

Interpolazione Bilineare

• Media quattro pixel adiacenti per stimare il nuovo valore del pixel;
• Produce immagini più uniformi ma può introdurre sfocatura.

Interpolazione Bicubica

• Utilizza una media ponderata di 16 pixel circostanti;
• Garantisce maggiore uniformità e nitidezza rispetto all'interpolazione bilineare.

Interpolazione Lanczos

• Utilizza una funzione sinc per calcolare i valori dei pixel;
• Offre maggiore nitidezza e minimizza l'aliasing.

Sebbene i metodi basati sull'interpolazione siano computazionalmente efficienti, spesso non riescono a ripristinare dettagli fini e texture.

Super-risoluzione basata su Deep Learning

Modelli pre-addestrati di super-risoluzione:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Veloce ed efficiente per la super-risoluzione in tempo reale;
• FSRCNN (Fast Super-Resolution CNN): Rete leggera ottimizzata per la velocità;
• LapSRN (Laplacian Pyramid SR Network): Utilizza un aumento progressivo della risoluzione per migliori dettagli.