Upscaling

Interpolação por vizinho mais próximo

Um dos métodos mais simples para ampliação de imagem é a interpolação por vizinho mais próximo, na qual cada pixel de saída assume o valor de cor do pixel mais próximo na imagem de origem; no redimensionamento para resoluções maiores, isso gera blocos contíguos de pixels com a mesma tonalidade. Essa abordagem preserva bordas nítidas, mas introduz forte efeito de serrilhamento (jaggies) em imagens contínuas e gradientes suaves. A definição de "mais próximo" não precisa ser estritamente geométrica: implementações comuns optam por arredondar coordenadas sempre em direção a zero, produzindo menos artefatos visuais e acelerando o cálculo computacional.

Esse algoritmo é frequentemente preferido para imagens sem transições tonais suaves, encontrando ampla aplicação na preservação de elementos de pixel art.

Interpolação bilinear e bicúbica

A interpolação bilinear opera calculando uma interpolação ponderada entre os valores dos pixels vizinhos, criando transições contínuas de cor mesmo onde o material original apresentava variações discretas. Embora seja adequada para fotografias e imagens de tom contínuo, a técnica reduz o contraste de bordas nítidas, o que pode ser indesejável para ilustrações e desenhos lineares. A interpolação bicúbica gera resultados substancialmente superiores em termos de suavidade e preservação de curvas, demandando maior custo computacional.

Reamostragem sinc e lanczos

A reamostragem sinc, em teoria, fornece a reconstrução matematicamente ideal para sinais contínuos perfeitamente limitados em banda. Na prática, as premissas ideais da função sinc não são totalmente atendidas por imagens digitais do mundo real. A reamostragem lanczos, uma aproximação finita e janelada da função sinc, produz resultados com maior equilíbrio entre nitidez e atenuação de artefatos. A interpolação bicúbica pode ser considerada uma aproximação computacionalmente eficiente da reamostragem lanczos.

Amostragem por caixa (Box sampling)

Uma limitação dos interpoladores bilinear, bicúbico e correlatos reside no fato de realizarem a leitura de uma quantidade fixa de pixels na imagem de origem. Ao reduzir a escala abaixo de um determinado limiar (como reduções superiores a duas vezes), esses algoritmos passam a consultar pixels não adjacentes, provocando perda de dados e serrilhamento.

A amostragem por caixa (box sampling) contorna essa limitação ao projetar a área do pixel de destino como uma caixa sobre a imagem original, calculando a média ponderada de todos os pixels contidos em seu interior. Isso assegura que todos os pixels de entrada contribuam para o resultado final, embora apresente maior complexidade de otimização computacional.

Mipmap

Outra solução consolidada para o problema de subamostragem em reduções de escala é o uso de mipmaps. Um mipmap consiste em um conjunto pré-calculado de cópias da imagem em escalas sucessivamente reduzidas por potências de dois. Durante a renderização, a escala pré-calculada mais próxima é utilizada como base para a interpolação bilinear, evitando a amostragem degenerada de pixels distantes. O algoritmo é veloz, altamente otimizável e padronizado em bibliotecas gráficas como OpenGL e Direct3D, ao custo de um aumento de aproximadamente um terço (33%) no consumo de memória gráfica.

Métodos por transformada de Fourier

A interpolação fundamentada na transformada de Fourier realiza o preenchimento com zeros (zero-padding) no domínio da frequência (o emprego de janelamentos suaves auxilia na mitigação do fenômeno de Gibbs). Embora preserve com rigor os detalhes e frequências espaciais, essa técnica pode introduzir anéis de oscilação (ringing) e vazamento circular de conteúdo visual entre as bordas opostas da imagem.

Interpolação direcionada por bordas

Algoritmos de interpolação direcionada por bordas têm como objetivo preservar a continuidade dos contornos geométricos da imagem durante a ampliação, evitando os artefatos em escada típicos de interpoladores convencionais.

Exemplos dessas técnicas incluem a Nova Interpolação Direcionada por Bordas (NEDI), a Interpolação de Imagem Guiada por Bordas (EGGI), a Interpolação Iterativa Baseada em Curvatura (ICBI) e a Interpolação por Convolução Cúbica Direcional (DCCI). Um estudo comparativo de 2013 demonstrou que o método DCCI obteve as melhores pontuações de relação sinal-ruído de pico (PSNR) e índice de similaridade estrutural (SSIM) em conjuntos padronizados de teste.

hqx

Para a ampliação de elementos visuais em baixa resolução com paleta restrita de cores (geralmente entre 2 e 256 cores), resultados superiores são alcançados por meio do algoritmo hqx e de outros algoritmos especializados para pixel art. Esses métodos mantêm contornos nítidos e preservam detalhes geométricos sem gerar desfoque excessivo.

Vetorização

A extração vetorial ou vetorização constitui uma abordagem alternativa. O processo converte inicialmente o gráfico matricial em uma representação geométrica vetorial independente de resolução. O arquivo vetorial resultante (como no formato SVG) pode então ser exportado e renderizado em qualquer resolução sem perda de definição, servindo diretamente para exibição gráfica e impressão em grande formato. Essa técnica é empregada em ferramentas como Adobe Illustrator (função Live Trace/Image Trace) e Inkscape. Gráficos vetoriais adaptam-se com precisão a diagramas e ilustrações geométricas simples, embora apresentem limitações práticas na conversão de fotografias complexas devido à grande quantidade de variações tonais contínuas.

Redes neurais convolucionais profundas

Essa metodologia emprega modelos de aprendizado profundo para reconstruir imagens ricas em detalhes, como fotografias e ilustrações complexas. Entre os softwares e modelos que utilizam essa abordagem destacam-se waifu2x, Imglarger e Neural Enhance.

Demonstração comparativa entre interpolação convencional e ampliação por waifu2x com redução de ruído, utilizando um detalhe da obra Phosphorus and Hesperus, de Evelyn De Morgan:

• 
  Imagem original
• 
  Ampliação de 200% utilizando PaintShop Pro
• 
  Ampliação de 200% com waifu2x (modo Photo com redução média de ruído)
• 
  Ampliação de 400% com Topaz A.I. Gigapixel (baixa redução de ruído)
• 
  Ampliação de 400% com RealSR DF2K-JPEG

Softwares baseados em inteligência artificial permitem sintetizar detalhes e nitidez em fotografias históricas degradadas nos casos em que essas informações não constavam no original:

• 
  Fotografia original de baixa resolução (270×368 pixels) de John Howard Lindauer
• 
  A mesma imagem aprimorada e ampliada por IA para 2160×2944 pixels

A ampla disponibilidade de ferramentas de ampliação por inteligência artificial pode gerar equívocos quando usuários presumem que a versão reconstruída reflete fielmente os detalhes fáticos da imagem original. Em 2025, um usuário da rede social X publicou uma versão ampliada por IA de uma foto em baixa resolução de Donald Trump e questionou alterações visíveis na região de sua testa. Especialistas apontaram que a imagem havia sido distorcida pelo processo de inferência generativa, destacando que esses modelos inevitavelmente sintetizam ou recriam detalhes inexistentes na imagem de origem.

Gerais

O redimensionamento de imagens é empregado em navegadores da web, editores gráficos, visualizadores de arquivos, ferramentas de acessibilidade com ampliação de tela, sistemas de zoom digital em câmeras, rotinas de geração automática de miniaturas (thumbnails) e na exibição de dados visuais em monitores e impressoras.

Vídeo

Aplica-se à ampliação de sinais de vídeo para exibição em televisores e projetores de alta definição a partir de fontes de resolução padrão (como sistemas PAL ou reprodutores de DVD). O processo de upscaling é executado em tempo real pelos processadores do televisor ou do reprodutor, sem armazenamento permanente do fluxo de saída.

Redimensionamento de pixel art

Como os gráficos em pixel art utilizam baixas resoluções e paletas reduzidas de cores, eles dependem da disposição precisa de pixels individuais para definir contornos e formas complexas. Algoritmos tradicionais de interpolação introduzem desfoque perceptível nesses elementos, o que motivou a criação de filtros específicos desenvolvidos para processamento em tempo real a 60 quadros por segundo em emuladores de console e arcade.

Esses algoritmos foram integrados em emuladores como DOSBox e HqMAME, bem como em motores gráficos e recriações de ambientes de jogo como o ScummVM. Filtros similares são empregados em emuladores comerciais nas plataformas Xbox Live, Virtual Console e PSN, tornando títulos clássicos visualmente adaptados a telas HD contemporâneas. Exemplos de lançamentos que incorporam esses filtros incluem Sonic's Ultimate Genesis Collection, Castlevania: The Dracula X Chronicles e Castlevania: Symphony of the Night.

Redimensionamento em tempo real

Diversas empresas de tecnologia desenvolveram soluções para redimensionamento de quadros de vídeo em tempo real no contexto de jogos eletrônicos. O Deep Learning Super Sampling (DLSS) da Nvidia utiliza aprendizado profundo acelerado por hardware para reconstruir imagens renderizadas internamente em baixa resolução para monitores de alta definição. O FidelityFX Super Resolution (FSR) da AMD introduziu em sua versão 1.0 um redimensionamento espacial tradicional baseado em sombreadores, incorporando reconstrução temporal a partir do FSR 2.0. Outras tecnologias correlatas incluem o Intel XeSS e o Nvidia Image Scaling (NIS).