Core Concepts
Ziel ist es, Bildauflösung durch Nächste-Nachbarn-Interpolation zu verbessern, ohne auf vorheriges Wissen zurückgreifen zu müssen.
Abstract
Der Artikel beschreibt einen klassischen, nicht lernbasierten Ansatz zur Bildaufwertung. Es werden drei Methoden vorgestellt:
KNN-Interpolation (Baseline):
Einfache Erweiterung der linearen Interpolation
Füllt neue Pixel mit dem Durchschnitt der k nächsten Nachbarpixel
Funktioniert gut, aber Probleme bei detailreichen Übergängen
Rechenzeit steigt exponentiell mit Ausgabegröße
Aufwertung für dynamische Seitenverhältnisse:
Ermöglicht Aufwertung auf beliebige Seitenverhältnisse
Interpolation nur entlang der sich ändernden Dimension
Robuster als Baseline, unterstützt auch ungerade Bildgrößen
Selektive Aufwertung:
Ziel: Laufzeitverbesserung durch Fokussierung auf Bildregionen mit konstanter Farbe
Nutzt Kantenerkennung und Farbgradienten, um Regionen zu identifizieren
Kann Laufzeit deutlich reduzieren, ohne Bildqualität zu beeinträchtigen
Die Ergebnisse zeigen, dass der klassische Ansatz trotz geringerer Genauigkeit als lernbasierte Methoden Vorteile bietet: Geringere Speicherkosten, höhere Robustheit und potenzielle Laufzeitverbesserungen.
Stats
Die RMSE- und MAE-Werte liegen zwischen 1-12% im Vergleich zur linearen Interpolation.
Die SSIM-Werte sinken stetig mit zunehmendem Aufwertungsfaktor.
Quotes
"Für seine relative Einfachheit lieferte der Baseline-Ansatz großartige Ergebnisse mit minimalen unerwünschten Artefakten."
"Selektive Aufwertung hat das Potenzial, die Laufzeit der Aufwertung im Vergleich zum Basis-KNN-Ansatz drastisch zu reduzieren - bei gleichzeitiger Beibehaltung der visuellen Kohärenz - auch bei Bildern, die theoretisch nicht ideal für eine solche Optimierung sind."