超解析度方法主要分為兩大類：傳統插值方法和基於深度學習的超解析度算法。以下是詳細介紹：
傳統插值方法。這類方法通過在低解析度圖像的像素之間插入新的像素來增加圖像的大小，常用的插值方法包括雙線性插值、雙三次插值、最近鄰插值和Lanczos重採樣等。這些方法基於低解析度圖像自身的像素信息，雖然計算速度快，但得到的圖像通常比較模糊，難以恢復細節。
基於深度學習的超解析度算法。這類方法通過訓練神經網路來從低解析度圖像中提取並恢復高解析度細節，一種流行的深度學習超解析度算法是SRCNN（卷積神經網路超解析度算法），它通過三個卷積層和一個反卷積層來放大圖像，並保持細節。另一種先進的算法是VDSR（深層卷積網路超解析度算法），它使用更深的網路結構來學習低解析度圖像中的高解析度細節特徵。
除了這些方法，還有基於稀疏表示（字典學習）的方法，如ScSR（稀疏表示超解析度），它通過訓練字典來恢復圖像的細節，這種方法相比簡單的插值方法，能夠提供更好的PSNR和SSIM指標，以及更清晰的圖像。