Superoppløsningsteknikker

Superoppløsningsteknikker, også kjent som super-resolution, refererer til en samling metoder brukt for å forbedre den romlige oppløsningen av et bilde. Tradisjonelt er bildeoppløsningen begrenset av sensorens pikseltetthet og optikkens kvalitet. Superoppløsningsteknikker forsøker å overvinne disse begrensningene ved å generere et bilde med høyere oppløsning fra et eller flere bilder med lavere oppløsning.

En vanlig tilnærming er basert på å utnytte små bevegelser eller forskjeller mellom flere bilder av samme motiv, tatt fra litt forskjellige vinkler eller over tid. Ved å samle informasjon fra disse lavoppløselige bildene, kan man rekonstruere et bilde med skarpere detaljer som ikke var synlige i de enkelte kildene. Dette er spesielt nyttig i applikasjoner der det ikke er mulig å øke den fysiske oppløsningen, for eksempel i overvåkning eller medisinsk bildebehandling.

Nyere fremskritt innen maskinlæring, spesielt dype nevrale nettverk, har revolusjonert feltet. Disse metodene, kjent som dyplæringsbasert superoppløsning, lærer komplekse sammenhenger mellom lavoppløselige og høyoppløselige bilder fra store treningsdatasett. Ved å bruke modeller som konvolusjonelle nevrale nettverk, kan disse systemene generere svært realistiske og detaljerte høyoppløselige bilder, ofte med imponerende resultater. Dybdelæring har muliggjort en betydelig forbedring i kvaliteten og hastigheten på superoppløsningsprosesser.