이미지 스케일링 알고리즘 비교 갤러리

Comparison gallery of image scaling algorithms

이 갤러리에는 다양한 영상 스케일링 알고리즘의 결과가 표시됩니다.

스케일링 방법

이미지 크기는 여러 가지 방법으로 변경할 수 있습니다.160x160픽셀의 사진의 사이즈를 다음의 40x40픽셀의 섬네일로 변경해, 160x160픽셀의 이미지로 축소하는 것을 검토해 주세요.또한 텍스트가 포함된 다음 이미지의 크기를 두 배로 늘리는 것이 좋습니다.

저해상도 이미지
섬네일 본문
Thumbnail Image Original Image 40x40 pixel thumbnail
스케일링 방법 비교
오리지널 사진 업스케일 섬네일 업스케일된 텍스트 알고리즘과 설명
160×160 thumbnail reference Nearest-neighbor interpolation Nearest-neighbor interpolation

근린 보간법

크기를 늘리는 간단한 방법 중 하나로, 모든 픽셀을 같은 색상의 여러 픽셀로 바꿉니다.생성된 이미지는 원본 이미지보다 크고 모든 디테일이 보존되지만(바람직하지 않을 수 있음) 들쭉날쭉합니다.예를 들어 "W"의 대각선은 이제 가장 가까운 이웃 보간법의 "계단" 모양 특성을 나타냅니다.아래의 다른 스케일링 방법은 영상의 부드러운 윤곽선을 유지하는 데 더 적합합니다.

160×160 thumbnail reference Bilinear interpolation Linear Interpolation

쌍선형 보간법

선형(또는 2차원) 보간은 일반적으로 이미지의 크기를 변경하는 데 유용하지만 바람직하지 않은 세부 사항의 연화를 유발하고 여전히 약간 들쭉날쭉할 수 있습니다.

160×160 thumbnail reference Bicubic Interpolation Cubic Interpolation

바이큐빅 보간법

더 나은 스케일링 방법에는 바이큐빅 보간, Lanczos 재샘플링 및 Mitchell-Netravali 필터가 있습니다.

160×160 thumbnail reference Fourier-based interpolation Fourier-based Interpolation + saturation

푸리에 기반 보간

성분이 0인 주파수 영역의 패딩에 기초한 단순한 푸리에 기반 보간(스무스 윈도우 기반 접근법은 링잉을 감소시킵니다).세세한 부분까지 잘 보존되어 있는 것 외에, 왼쪽 테두리에서 오른쪽 테두리(및 그 주변)로 컨텐츠가 울리고 순환하는 것이 눈에 띈다.

160×160 thumbnail reference 40 by 40 thumbnail of 'Green Sea Shell' (x4 DCCI).png Wiki dcci 2x.png

에지 지향 보간법

모서리 방향 보간 알고리즘은 대각선 또는 곡선 주위에 계단 아티팩트를 생성할 수 있는 다른 알고리즘과 달리 스케일링 후 영상의 모서리를 보존하는 것을 목표로 합니다.이 작업에 대한 알고리즘의 예로는 새로운 에지 지향 보간(NEDI),[1][2] 에지 유도 이미지 보간(EGGI),[3] 반복 곡률 기반 보간(ICBI)[4] 및 방향 큐빅 컨볼루션 보간(DCCI)[5]이 있습니다.연구에 따르면 DCCI는 일련의 테스트 이미지에서 [6]PSNR과 SSIM에서 가장 높은 점수를 받았습니다.

160×160 thumbnail reference hq4x scaling hq2x scaling

픽셀 아트 스케일링 알고리즘(hqx)

저해상도 및 소수의 색상(보통 2색에서 256색)으로 컴퓨터 그래픽을 확대하는 경우 hqx나 xbr 등의 픽셀 아트 스케일링 알고리즘을 사용하면 더 나은 결과를 얻을 수 있습니다.날카로운 모서리를 만들어 높은 디테일을 유지합니다.218 x 80 픽셀의 표준화된 크기 때문에 "Wiki" 이미지는 HQ4x 또는 4xBRZ를 사용하여 행 이동과 같은 아티팩트를 더 잘 보여줄 수 없습니다.


예제 이미지에서는 각각 HQ4x와 HQ2x를 사용합니다.

160×160 thumbnail reference 160 by 160 upscaled thumbnail of 'Green Sea Shell' (4xBRZ) Image after scaling (2xBRZ)

픽셀 아트 스케일링 알고리즘(xbr)

xbr 패밀리는 부드러운 모서리를 만드는 데 매우 유용합니다.그러나 이는 형태를 크게 변형시켜 많은 경우 매우 매력적인 결과를 낳습니다.그러나 지역별로 하나의 색으로 그룹화함으로써 포스터화와 유사한 효과를 얻을 수 있습니다.또, 큰 것끼리 접속하는 경우는, 작은 디테일이 없어집니다.

예제 이미지는 각각 4xBRZ와 2xBRZ를 사용합니다.

160×160 thumbnail reference160×160 thumbnail reference 160 by 160 upscaled thumbnail of 'Green Sea Shell' (GemCutter Preserve Details)160 by 160 upscaled thumbnail of 'Green Sea Shell' (Smooth Edges) Image after scaling (GemCutter Preserve Details)


Image-after-scaling smooth

픽셀 아트 스케일링 알고리즘(GemCutter)

다양한 양의 디테일 또는 부드러움을 제공할 수 있는 적응 가능한 기술입니다.본래의 디테일의 모양이나 좌표를 흐리지 않고 보존하는 것을 목적으로 하고 있습니다.서로 접촉하는 픽셀 혼합을 피하고 45도 각도로 픽셀 혼합만 합니다.

이 이름은 테넌시(tenancy)가 모서리를 너무 잘라서 계단식 픽셀을 따라 뚜렷한 면(diamond의 각도를 따라 존재하는 면)을 만들어 내기 때문에 유래되었습니다.또한 3점이 아닌 4점을 사용하는 많은 전통적인 보석 컷과 유사합니다.


예제 이미지에서는 GemCutter Preserve Details(위) 및 GemCutter Smooth Edge(아래)를 사용합니다.

160×160 thumbnail reference Vectorization to 48 colors (Inkscape) Vectorization

이미지 트레이스

벡터화는 먼저 스케일링할 그래픽의 해상도에 의존하지 않는 벡터 표현을 생성한다.그런 다음 해상도에 독립적인 버전이 원하는 해상도로 래스터 이미지로 렌더링됩니다.이 기술은 Adobe Illustrator Live Trace, Inkscape 및 여러 최신 [7]문서에서 사용됩니다.스케일러블 벡터 그래픽스는 단순한 기하학적 이미지에 적합하지만, 사진은 복잡하기 때문에 벡터화에는 적합하지 않습니다.


벡터의 특수 특성은 더 높은 분해능 예제 이미지를 허용합니다.다른 알고리즘은 각각 160x160 및 218x80 픽셀의 해상도로 표준화되어 있습니다.

160×160 thumbnail reference EDSR waifu2x

심층 컨볼루션 뉴럴 네트워크

기계 학습을 사용하여 훈련 데이터 세트에서 공통 패턴을 학습함으로써 설득력 있는 세부 정보를 최선의 추측으로 생성합니다.소개된 정보가 출처의 내용과 일치하지 않을 수 있기 때문에 확대된 결과는 환각으로 설명되기도 한다.기존 잔류 뉴럴 네트워크 [8]아키텍처를 최적화함으로써 향상된 심층 잔류 네트워크(EDSR) 방법이 개발되었습니다.이 방법을 사용하는 프로그램에는 waifu2x, Imglarger, Neural Enhanced 등이 있습니다.

160×160 thumbnail reference ESRGAN

지각 손실을 이용한 심층 컨볼루션 뉴럴 네트워크

초해상도 생성 적대 네트워크 (SRGAN) [9]방법을 기반으로 개발된 확장 SRGAN (ESRGAN)[10]은 동일한 생성 적대 네트워크 기반의 증분 조정입니다.두 방법 모두 훈련 반복을 평가하기 위해 지각 손실[11] 함수에 의존합니다.

레퍼런스

  1. ^ "Edge-Directed Interpolation". Retrieved 19 February 2016.
  2. ^ Xin Li; Michael T. Orchard. "NEW EDGE DIRECTED INTERPOLATION" (PDF). 2000 IEEE International Conference on Image Processing: 311. Archived from the original (PDF) on 2016-02-14. Retrieved 2016-07-03.
  3. ^ Zhang, D.; Xiaolin Wu (2006). "An Edge-Guided Image Interpolation Algorithm via Directional Filtering and Data Fusion". IEEE Transactions on Image Processing. 15 (8): 2226–38. Bibcode:2006ITIP...15.2226Z. doi:10.1109/TIP.2006.877407. PMID 16900678. S2CID 9760560.
  4. ^ K.Sreedhar Reddy; Dr.K.Rama Linga Reddy (December 2013). "Enlargement of Image Based Upon Interpolation Techniques" (PDF). International Journal of Advanced Research in Computer and Communication Engineering. 2 (12): 4631.
  5. ^ Dengwen Zhou; Xiaoliu Shen. "Image Zooming Using Directional Cubic Convolution Interpolation". Retrieved 13 September 2015.
  6. ^ Shaode Yu; Rongmao Li; Rui Zhang; Mou An; Shibin Wu; Yaoqin Xie (2013). "Performance evaluation of edge-directed interpolation methods for noise-free images". arXiv:1303.6455 [cs.CV].
  7. ^ Johannes Kopf and Dani Lischinski (2011). "Depixelizing Pixel Art". ACM Transactions on Graphics. 30 (4): 99:1–99:8. doi:10.1145/2010324.1964994. Archived from the original on 2015-09-01. Retrieved 24 October 2012.
  8. ^ Lim, Bee; Son, Sanghyun; Kim, Heewon; Nah, Seungjun; Kyoung Mu Lee (2017). "Enhanced Deep Residual Networks for Single Image Super-Resolution". arXiv:1707.02921 [cs.CV].
  9. ^ "Generative Adversarial Network and Super Resolution GAN(SRGAN)". Retrieved 26 August 2020.
  10. ^ Wang, Xintao; Yu, Ke; Wu, Shixiang; Gu, Jinjin; Liu, Yihao; Dong, Chao; Chen Change Loy; Qiao, Yu; Tang, Xiaoou (2018). "ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks". arXiv:1809.00219 [cs.CV].
  11. ^ "Perceptual Loss Functions". Retrieved 26 August 2020.