💻 computer science

Multiscale Super Resolution without Image Priors

यह शोध पत्र यह प्रदर्शित करता है कि सह-अभाज्य (coprime) पिक्सेल आकारों का उपयोग करके विभिन्न पैमानों पर कैप्चर की गई निम्न-रिज़ॉल्यूशन छवियों को संयोजित करके, बिना इमेज प्रायर्स (image priors) के सुपर-रिज़ॉल्यूशन प्राप्त किया जा सकता है, जिससे एक सुव्यवस्थित समस्या (well-posed problem) निर्मित होती है जिसका एक स्थिर व्युत्क्रम (stable inverse) कुशल पुनर्निर्माण और शोर-रिज़ॉल्यूशन ट्रेडऑफ़ की स्पष्ट समझ को सक्षम बनाता है।

मूल लेखक: Daniel Fu, Gabby Litterio, Pedro Felzenszwalb, Rashid Zia

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniel Fu, Gabby Litterio, Pedro Felzenszwalb, Rashid Zia

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी समस्या: "धुंधली पहेली" (The Blurry Puzzle)

कल्पना कीजिए कि आप एक जिग्सॉ पज़ल (jigsaw puzzle) सुलझाने की कोशिश कर रहे हैं, लेकिन किसी ने कई टुकड़ों को आपस में जोड़कर बड़े, मोटे ब्लॉक बना दिया है। आप सामान्य रंग और आकार तो देख सकते हैं, लेकिन बारीक विवरण (जैसे पक्षी के पंख की बनावट या किसी साइन पर लिखा टेक्स्ट) पूरी तरह से खो गए हैं।

फोटोग्राफी में, ऐसा तब होता है जब कैमरा सेंसर के पास "बड़े पिक्सल" होते हैं। एक बड़ा पिक्सल एक ऐसी बाल्टी की तरह होता है जो एक विस्तृत क्षेत्र से रोशनी एकत्र करती है। यदि आप एक तीखी (sharp) रेखा की फोटो लेते हैं, तो वह बाल्टी रोशनी का औसत निकाल लेती है, जिससे एक तीखी रेखा एक धुंधले धब्बे में बदल जाती है।

आमतौर पर, इसे ठीक करने के लिए कंप्यूटर यह "अनुमान" लगाने की कोशिश करते हैं कि गायब विवरण कैसे दिखते होंगे। वे इमेज प्रायर्स (Image Priors) का उपयोग करते हैं, जो कंप्यूटर द्वारा यह कहने जैसा है, "मुझे पता है कि पक्षियों के पंख होते हैं, इसलिए मैं यहाँ पंख बना दूँगा।" यह तब अच्छा काम करता है जब कंप्यूटर ने लाखों पक्षियों को देखा हो, लेकिन यह तब विफल हो जाता है जब आप कुछ ऐसा देख रहे हों जो अजीब या जटिल है जिसे कंप्यूटर ने अभी तक सीखा नहीं है।

पेपर का समाधान: "तीन-आकार वाली बाल्टी" वाला तरीका (The "Three-Size Bucket" Trick)

यह पेपर बिना "अनुमान लगाए" धुंधली पहेली को ठीक करने का एक चतुर तरीका प्रस्तावित करता है। यह इस बात पर निर्भर रहने के बजाय कि कंप्यूटर क्या सोचता है कि छवि कैसी दिखनी चाहिए, वे गणित और कई कैमरा सेटिंग्स का उपयोग करते हैं ताकि उत्तर अद्वितीय (unique) हो सके।

मूल विचार यह है: यदि आप एक ही दृश्य को तीन अलग-अलग "बाल्टी के आकारों" के साथ देखते हैं, तो आप गणितीय रूप से सटीक रूप से पता लगा सकते हैं कि मूल स्पष्ट छवि क्या थी।

उदाहरण: रहस्यमय योग (The Mystery Sum)

कल्पना कीजिए कि आपके पास बक्सों की एक पंक्ति में एक गुप्त संख्या छिपी हुई है।

समस्या: आप एक बार में केवल 2 बक्सों का योग देख सकते हैं।
- आप देखते हैं: बॉक्स A + बॉक्स B = 10।
- आप देखते हैं: बॉक्स B + बॉक्स C = 12।
- क्या आप संख्याएँ पता लगा सकते हैं? नहीं! इसकी अनंत संभावनाएँ हैं। (शायद A=4, B=6, C=6... या A=5, B=5, C=7)। गणित यहाँ "अस्पष्ट" (ambiguous) है।
समाधान: अब, कल्पना कीजिए कि आपको एक बार में 3 बक्सों का योग भी देखने को मिलता है।
- आप देखते हैं: बॉक्स A + बॉक्स B + बॉक्स C = 18।
- अचानक, गणित अपनी जगह पर बैठ जाता है। आप पहले योग को दूसरे योग से घटाकर बॉक्स C का सटीक मान निकाल सकते हैं।

यह पेपर सिद्ध करता है कि यदि आप अपने "बाल्टी के आकार" (पिक्सल के आकार) को सावधानीपूर्वक चुनते हैं—विशेष रूप से, यदि वे सह-अभाज्य संख्याएँ (coprime numbers) हैं (ऐसी संख्याएँ जिनका कोई साझा गुणनखंड नहीं है, जैसे 12, 13 और 14)—तो आप पहेली को पूरी तरह से हल कर सकते हैं।

उन्होंने यह कैसे किया (प्रयोग)

शोधकर्ताओं ने इसे केवल कंप्यूटर पर नहीं किया; उन्होंने एक विशेष कैमरा (एक CCD सेंसर) का उपयोग करके एक भौतिक प्रयोग बनाया।

हार्डवेयर: उन्होंने एक ऐसा कैमरा इस्तेमाल किया जहाँ वे डिजिटल रूप से पिक्सल्स को आपस में "जोड़" सकते थे।
- उन्होंने 13-माइक्रोन पिक्सल (स्वर्ण मानक/Gold Standard स्पष्ट छवि) के साथ एक फोटो ली।
- फिर, उन्होंने कैमरे के हार्डवेयर का उपयोग करके पिक्सल्स को बड़े ब्लॉकों में समूहबद्ध किया: 130µm, 143µm, और 169µm।
- ये संख्याएँ (मूल आकार का 10x, 11x, और 13x) इसलिए चुनी गईं क्योंकि 10, 11 और 13 "सह-अभाज्य" (coprime) हैं। उनका कोई साझा गणितीय गुणनखंड नहीं है।
जादू:
- उन्होंने बड़े बक्सटों (buckets) के साथ धुंधली तस्वीरें लीं।
- उन्होंने कैमरे को थोड़ा सा खिसकाया (जैसे पज़ल के टुकड़े को खिसकाना) ताकि अलग-अलग कोण प्राप्त हो सकें।
- उन्होंने इस सभी धुंधले डेटा को एक गणितीय सूत्र (फूरियर ट्रांसफॉर्म) में डाला।
- परिणाम: कंप्यूटर ने एक स्पष्ट छवि को पुनर्गठित किया जो बिल्कुल मूल 13-माइक्रोन फोटो जैसी दिखती थी, भले ही इस प्रक्रिया के दौरान उसने कभी वास्तविक 13-माइक्रोन फोटो को नहीं देखा था!

"सह-अभाज्य" (Coprime) संख्याएँ क्यों महत्वपूर्ण हैं

कैमरे के "ब्लाइंड स्पॉट्स" (blind spots) को एक छलनी के छेदों की तरह समझें।

यदि आप 12 और 18 आकार के छेदों वाली छलनी का उपयोग करते हैं, तो दोनों छलनियों के छेद हर 6 यूनिट पर बिल्कुल एक सीध में आते हैं। आप हमेशा एक ही तरह के विवरण चूक जाएंगे।
लेकिन यदि आप 12 और 13 के छेदों वाली छलनी का उपयोग करते हैं, तो छेद कभी भी एक सीध में नहीं आते। पहली छलनी के अंतराल दूसरी छलनी द्वारा भर दिए जाते हैं।
ऐसी तीन छलनी (12, 13, और 14) का उपयोग करके, आप हर एक अंतराल को कवर कर लेते हैं। गणित गारंटी देता है कि कोई भी विवरण हमेशा के लिए खोया नहीं है।

समझौता: शोर बनाम रिज़ॉल्यूशन (Noise vs. Resolution)

यहाँ एक पेच है। चूंकि "बड़े बकेट" (बड़े पिक्सल) बहुत सारी रोशनी का औसत निकाल रहे हैं, इसलिए परिणामी स्पष्ट छवि सीधे छोटे पिक्सल लेने की तुलना में थोड़ी अधिक शोर वाली (noisy/grainy) होती है।

उदाहरण: यह भीड़ में फुसफुसाहट सुनने की कोशिश करने जैसा है। यदि आप एक साथ 100 लोगों को फुसफुसाते हुए सुनते हैं (बड़ा पिक्सल), तो आपको सामान्य विचार मिल जाता है, लेकिन बहुत सारा बैकग्राउंड शोर होता है। यदि आप एक व्यक्ति को सुनते हैं (छोटा पलिंग), तो यह स्पष्ट होता है लेकिन धीमा होता है।
पेपर दिखाता है कि हालांकि छवि थोड़ी दानेदार (grainy) है, लेकिन विवरण वास्तविक हैं, मनगढ़ंत (hallucinated) नहीं। और यदि आपके पास पर्याप्त रोशनी है, तो यह दानेदारपन एक स्पष्ट छवि पाने के लिए एक छोटी सी कीमत है, भले ही आपका कैमरा उस स्तर पर न देख पा रहा हो।

वास्तविक दुनिया पर प्रभाव

यह केवल प्रयोगशालाओं में वैज्ञानिकों के लिए नहीं है। यह विचार वास्तविक दुनिया में फोटो लेने के तरीके को बदल सकता है:

स्मार्टफोन: अधिकांश फोन में तीन कैमरे होते हैं (वाइड, अल्ट्रा-वाइड, टेलीफोटो)। वे पहले से ही अलग-अलग "मैग्निफिकेशन" पर तस्वीरें लेते हैं। यह पेपर सुझाव देता है कि हम इन तीन धुंधली शॉट्स को मिलाकर एक अविश्वसनीय रूप से स्पष्ट, उच्च-रिज़ॉल्यूशन वाली छवि बना सकते हैं, जिसके लिए भारी, महंगे लेंस की आवश्यकता नहीं होगी।
ड्रोन और रोबोट: ड्रोन अक्सर चलते रहते हैं। कैमरे को पूरी तरह स्थिर रखने के बजाय, हम दुनिया का एक सुपर-शार्प मैप बनाने के लिए प्राकृतिक गति और विभिन्न ज़ूम स्तरों का उपयोग कर सकते हैं।
माइक्रोस्कोप: वैज्ञानिक एक मानक लेंस के साथ सूक्ष्म कोशिकाओं को देख सकते हैं और बिना $100,000 का माइक्रोस्कोप खरीदे "सुपर-रिज़ॉल्यूशन" विवरण प्राप्त कर सकते हैं।

निष्कर्ष

आपको यह अनुमान लगाने की ज़रूरत नहीं है कि एक धुंधली छवि कैसी दिखती है। यदि आप एक ही चीज़ को तीन अलग-अलग "लेंसों" (या पिक्सेल आकारों) के माध्यम से देखते हैं जो गणितीय रूप से संगत (compatible) हैं, तो ब्रह्मांड स्वयं लुप्त हिस्सों को प्रदान करता है। आपको बस उन्हें वापस जोड़ने के लिए सही गणित की आवश्यकता है।

यहाँ फु, लिट्टेरियो, फेलज़ेंसवाल्ब और ज़िया के शोध पत्र "Multiscale Super Resolution without Image Priors" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र ट्रांसलेशन के तहत सुपर-रिज़ॉल्यूशन (SR) समस्या को संबोधित करता है, जिसमें एक या अधिक लो-रिज़ॉल्यूशन (LR) मापों से एक हाई-रिज़ॉल्यूशन (HR) छवि का पुनर्निर्माण किया जाता है।

मुख्य अस्पष्टता (The Core Ambiguity): ट्रांसलेशन के तहत पारंपरिक SR एक इल-पोज़्ड इनवर्स प्रॉब्लम (ill-posed inverse problem) है। जब एक सिग्नल को बॉक्स फ़िल्टर (पिक्सेल एकीकरण का प्रतिनिधित्व करने वाला) के साथ कनवॉल्व किया जाता है, तो जानकारी नष्ट हो जाती है, और कई अलग-अलग हाई-रिज़ॉल्यूशन सिग्नल बिल्कुल एक ही लो-रिज़ॉल्यूशन माप उत्पन्न कर सकते हैं।
वर्तमान दृष्टिकोणों की सीमाएँ: मौजूदा विधियाँ आमतौर पर इमेज प्रायर (जैसे स्मूथनेस, स्पर्सिटी, सेल्फ-सिमिलैरिटी, या डीप लर्निंग-आधारित हेलुसिनेशन) थोपकर इस अस्पष्टता को हल करती हैं। ये विधियाँ छवि वितरण के बारे में धारणाओं पर निर्भर करती हैं, जिन्हें बड़े प्रशिक्षण डेटासेट की आवश्यकता होती है, और वे अक्सर जटिल या अनदेखे दृश्यों के लिए सामान्यीकरण (generalize) करने में विफल रहती हैं।
लक्ष्य: लेखक बिना किसी इमेज प्रायर के, केवल भौतिक इमेजिंग बाधाओं और विभिन्न पैमानों (scales) पर एकत्र किए गए डेटा पर भरोसा करते हुए, SR समस्या को हल करने का लक्ष्य रखते हैं।

2. कार्यप्रणाली (Methodology)

प्रस्तावित दृष्टिकोण मल्टीस्केल मापों का लाभ उठाकर इस इनवर्स प्रॉब्लम को वेल-पोज़्ड (well-posed) बनाता है।

A. इमेजिंग मॉडल (Imaging Model)

सेंसर मॉडल: लेखक एक ऐसी इमेजिंग प्रक्रिया का मॉडल तैयार करते हैं जहाँ एक निरंतर इरेडिएंस फील्ड (irradiance field) को वर्गाकार पिक्सेल पर एकीकृत किया जाता है।
बिनिंग (Binning): वे विभिन्न प्रभावी पिक्सेल आकारों को सिम्युलेट करने के लिए CCD हार्डवेयर बिनिंग का उपयोग करते हैं। आसन्न पिक्सेल (जैसे $k \times k$ ब्लॉक्स) को जोड़कर, वे बड़े प्रभावी पिक्सेल आकार ( $k\Delta$ ) वाले सेंसर बनाते हैं।
इंटरलेसिंग (Interlacing): "वैलिड" कनवल्शन (सब-पिक्सेल शिफ्ट) को कैप्चर करने के लिए, वे सेंसर (या कैमरा) को सब-पिक्सेल मात्रा में शिफ्ट करके LR छवियों की एक श्रृंखला कैप्चर करते हैं और डेटा को इंटरलेस करते हैं। यह प्रभावी रूप से HR छवि के $k$ आकार के बॉक्स फ़िल्टर के साथ कनवल्शन को मापता है।
नॉइज़ मॉडल: माना जाता है कि माप स्वतंत्र और समान रूप से वितरित (i.i.d.) गौसियन नॉइज़ से दूषित हैं।

B. सैद्धांतिक ढांचा (Theoretical Framework)

मुख्य सैद्धांतिक अंतर्दृष्टि यह है कि विभिन्न पैमानों (scales) से प्राप्त माप उन अस्पष्टताओं को दूर करते हैं जो सिंगल-स्केल मापों में मौजूद होती हैं।

1D मामला: दो माप, बॉक्स आकार $k_1$ और $k_2$ के साथ, तब तक स्थिर पुनर्निर्माण की अनुमति देते हैं जब तक कि $k_1$ और $k_2$ को-प्राइम (coprime) हों ( $\gcd(k_1, k_2) = 1$ )। यह बेज़ौट की पहचान (Bezout's identity) का उपयोग करके निकाला गया है, जो विभिन्न विंडो आकारों के योगों के रैखिक संयोजन के माध्यम से व्यक्तिगत सिग्नल मानों की रिकवरी की अनुमति देता है।
2D मामला: 2D सिग्नल के लिए दो को-प्राइम बॉक्स आकार अपर्याप्त हैं क्योंकि 2D बॉक्स फ़िल्टर विभाज्यता (separability) प्रदर्शित करते हैं (जो बाहरी उत्पादों का नल स्पेस (null space) बनाते हैं)। लेखक सिद्ध करते हैं कि तीन पेयरवाइज को-प्राइम बॉक्स आकार ( $k_1, k_2, k_3$ ) 2D में स्थिर पुनर्निर्माण के लिए पर्याप्त हैं।
सामान्यीकरण (Generalization): $d$ -आयामी सिग्नल के लिए, $d+1$ पेयरवाइज को-प्राइम पिक्सेल आकार स्थिर पुनर्निर्माण के लिए पर्याप्त हैं।

C. पुनर्निर्माण एल्गोरिदम (Reconstruction Algorithms)

शोध पत्र दो कुशल पुनर्निर्माण विधियों का प्रस्ताव करता है:

फूरियर डोमेन विधि (Fourier Domain Method): चक्रीय कनवल्शन (cyclic convolution) या पैडेड डेटा के लिए, लीस्ट स्क्वायर्स समाधान को फास्ट फूरियर ट्रांसफॉर्म (FFT) का उपयोग करके कुशलतापूर्वक गणना किया जा सकता है। समाधान फ्रीक्वेंसी डोमेन में मापों का एक भारित योग (weighted sum) है, जहाँ भार बॉक्स फ़िल्टर्स के फूरियर ट्रांसफॉर्म पर निर्भर करता है।
इटरेटिव लीस्ट स्क्वायर्स (LSQR): वैध कनवल्शन (नॉन-पैडेड) के लिए, लेखक एक इटरेटिव सॉल्वर (LSQR) का उपयोग करते हैं। वे इंटीग्रल इमेज (समड-एरिया टेबल्स) का उपयोग करके फॉरवर्ड और ट्रांसपोज़ ऑपरेटरों के तेज़ अनुप्रयोग लागू करते हैं, जिससे गणना पिक्सेल की संख्या के रैखिक ( $O(N)$ ) होती है और बॉक्स के आकार से स्वतंत्र होती है।

3. मुख्य योगदान (Key Contributions)

वेल-पोज़्डनेस का सैद्धांतिक प्रमाण: यह शोध पत्र एक कठोर गणितीय प्रमाण प्रदान करता है कि $d$ आयामों में $d+1$ पेयरवाइज को-प्राइम पिक्सेल आकारों का उपयोग करने पर सुपर-रिज़ॉल्यूशन अंडर ट्रांसलेशन एक स्थिर इनवर्स समस्या बन जाता है, जिससे इमेज प्रायर की आवश्यकता समाप्त हो जाती है।
त्रुटि विश्लेषण (Error Analysis): लेखक लीस्ट स्क्वायर्स पुनर्निर्माण के अपेक्षित मीन स्क्वेर्ड एरर (MSE) के लिए एक एसिम्प्टोटिक अभिव्यक्ति (asymptotic expression) निकालते हैं। यह नॉइज़-रिज़ॉल्यूशन ट्रेडऑफ़ को स्पष्ट करता है, जो दिखाता है कि जबकि रिज़ॉल्यूशन को मनमाने ढंग से बढ़ाया जा सकता है, नॉइज़ का स्तर रिज़ॉल्यूशन एन्हांसमेंट फैक्टर के अनुपात में बढ़ता है।
प्रायोगिक सत्यापन (Experimental Validation):
- 1D प्रयोग: प्रदर्शित किया कि को-प्राइम बिन आकार (जैसे 13 और 15) कम-त्रुटि वाले पुनर्निर्माण प्रदान करते हैं, जबकि गैर-को-प्राइम आकार (जैसे 12 और 15) आवधिक आर्टिफैक्ट्स (periodic artifacts) पेश करते हैं।
- 2D प्रयोग: तीन को-प्राइम स्केल्स (जैसे 130µm, 143µm, 169µm) का उपयोग करके >10x रिज़ॉल्यूशन एन्हांसमेंट वाली छवियों को सफलतापूर्वक पुनर्निर्मित किया (जैसे 200+µm प्रभावी पिक्सेल से 13µm विवरण प्राप्त करना)।
- तुलना: दिखाया कि तीन स्केल्स का उपयोग करने से RMS एरर काफी कम हो जाता है और सिंगल या डुअल-स्केल पुनर्निर्माण में मौजूद आवधिक आर्टिफैक्ट्स (ब्लाइंड स्पॉट्स) समाप्त हो जाते हैं।

4. परिणाम (Results)

स्थिरता (Stability): जब पिक्सेल आकार पेयरवाइज को-प्राइम होते हैं, तो पुनर्निर्माण प्रणाली की कंडीशन नंबर (condition number) सीमित रहती है, जो नॉइज़ के विरुद्ध स्थिरता सुनिश्चित करती है।
सटीकता (Accuracy): एयर फोर्स रिज़ॉल्यूशन टारगेट, प्राकृतिक छवियों और बाइनरी पैटर्न पर प्रायोगिक परिणाम दिखाते हैं कि मल्टीस्केल दृष्टिकोण उन सूक्ष्म संरचनाओं को पुनर्निर्मित करता है जो किसी भी एकल लो-रिज़ॉल्यूशन इनपुट में पहचानना असंभव है।
नॉइज़ ट्रेडऑफ़: प्रयोगों ने इस सैद्धांतिक भविष्यवाणी की पुष्टि की कि पुनर्निर्मित छवि में नॉइज़ का स्तर रिज़ॉल्यूशन एन्हांसमेंट फैक्टर के साथ रैखिक रूप से स्केल होता है। उदाहरण के लिए, 10x बड़े पिक्सेल से 10x रिज़ॉल्यूशन पुनर्निर्मित करने पर, नॉइज़ का स्तर प्रत्यक्ष माप की तुलना में लगभग 10x अधिक होता है, लेकिन संरचनात्मक जानकारी प्राप्त हो जाती है।
दक्षता (Efficiency): फूरियर डोमेन विधि ने एक मानक डेस्कटॉप CPU पर 1 सेकंड से कम समय में 1024x1024 छवि को पुनर्निर्मित किया।

5. महत्व और निहितार्थ (Significance and Implications)

प्रायर-मुक्त सुपर-रिज़ॉल्यूशन (Prior-Free Super-Resolution): यह कार्य यह सिद्ध करता है कि यदि भौतिक अधिग्रहण प्रणाली में पर्याप्त मल्टीस्केल विविधता है, तो प्रायर के माध्यम से "हेलुसिनेशन" करना अनिवार्य नहीं है।
व्यावहारिक अनुप्रयोग:
- कंप्यूटेशनल फोटोग्राफी: यह विधि आधुनिक मल्टी-कैमरा सिस्टम (जैसे विभिन्न फोकल लेंथ वाले लेंसों के साथ स्मार्टफोन) और ज़ूम लेंस के लिए सीधे तौरable है।
- माइक्रोस्कोपी: यह उच्च-NA ऑप्टिक्स के बिना उच्च रिज़ॉल्यूशन प्राप्त करने का एक तरीका प्रदान करता है, केवल आवर्धन (magnification) बदलकर या विभिन्न पिक्सेल बिनिंग वाले सेंसर का उपयोग करके।
- फील्ड ऑफ व्यू (FOV): पारंपरिक SR के विपरीत, जो अक्सर रिज़ॉल्यूशन के लिए FOV का त्याग करता है, यह विधि बड़े प्रभावी पिक्सेल (जो अधिक प्रकाश कैप्चर करते हैं और अधिक क्षेत्र कवर करते हैं) का उपयोग करके और उन्हें कम्प्यूटेशनल रूप से फ्यूज करके एक बड़े फील्ड ऑफ व्यू पर उच्च-रिज़ॉल्यूशन पुनर्निर्माण की अनुमति देती है।
हार्डवेयर सरलता: इस दृष्टिकोण को विशेष ऑप्टिकल मास्क या जटिल प्रशिक्षण डेटा की आवश्यकता के बिना, मौजूदा हार्डवेयर (बिनिंग क्षमताओं वाले CCD/CMOS सेंसर और मानक ट्रांसलेशन स्टेज या ज़ूम लेंस) का उपयोग करके लागू किया जा सकता है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि को-प्राइम पिक्सेल आकारों के साथ मल्टीस्केल सैंपलिंग, इल-पोज़्ड सुपर-रिज़ॉल्यूशन समस्या को एक वेल-पोज़्ड लीनियर इनवर्स प्रॉब्लम में बदल देता है, जिससे छवि सामग्री के बारे में सांख्यिकीय धारणाओं पर निर्भर हुए बिना स्थिर, उच्च-निष्ठा (high-fidelity) छवि पुनर्निर्माण संभव होता है।