画像処理には、レンズの光学的限界や画像を記録したデジタルセンサーの物理的解像度を克服しながら、元の画像の解像度を定性的に高めることができる
超解像 （SR）メソッドのクラスがあります。
SRアルゴリズムは、結果の画像を計算するために2つのアプローチを使用します。1）1つのオブジェクトのフレームセットに基づきます。 2）サンプルベースを備えた自己学習システム。
ワイズマン研究所の数学およびコンピューターサイエンス学部のコンピュータービジョン研究室の科学者は、統計的アルゴリズムを使用して単一の画像からサンプルを取得
する新しい手法を
提案しています。
科学的研究の
超解像は単一の画像 （PDF）を形成し、著者のダニエル・グラスナー、シャイ・バゴン、ミカル・イラニ。
著者は、メソッドを2つの標準補間法（最近傍法とバイキュービック補間）と比較し、サンプルに基づいてSR手法をテストし（Freeaman et al。：Kim et al。）、統計を使用して別のSR手法（Fattal）つまり、Glasner-Begon-Iraniメソッドの場合とほぼ同じです。 リストされた方法は、以下の科学論文で説明されています
[Freeman et all。] WTフリーマン、TRジョーンズ、およびECパスター。 例ベースの超解像。 IEEE Computer Graphics and Applications、22（2）：56-65、2002
[キムら]キム・キムとクォン・Y。 単一画像の超解像とJPEGアーティファクト除去のための例ベースの学習。 テクニカルレポート173、08 2008。
[ファッタル] R.ファタル。 インポーズされたエッジ統計による画像のアップサンプリング。 ACM Trans。 グラフィックス（Proc。SIGGRAPH 2007）、26（3）：95-102、2007。
元の画像は128x128ピクセルです。
最近傍内挿
バイキュービック補間
フリーマン法
キム・メソッド
致命的な方法
グラスナー・バゴン・イラーニ法
復元されたイメージの別の例-シンボルテーブルを次に示します。
左側はバイキュービック補間の結果、右側は統計的アルゴリズムを適用したSRメソッドです。
その他のサンプル