Günümüz yapay zeka ve bilgisayar dünyasında kaynağı görüntü olan uygulamaların performans ve doğruluğunda kullanılan görüntülerin kalitesi önemli bir rol oynamaktadır. Görüntülerin kalitesini görüntüdeki detay seviyesi ve görüntünün çözünürlüğü ile doğru orantılı iken gürültü miktarı ile ters orantılıdır. Bu bağlamda görüntülerdeki gürültü oranını azaltırken detay seviyesini ve çözünürlüğünü arttırma işlemleri görüntü zenginleştirme olarak tanımlanır. Görüntü zenginleştirme odağında olan süper çözünürlük teknikleri ise düşük çözünürlüklü görüntüleri yüksek çözünürlüklü hale getirerek, görüntülerin görsel kalitesini ve detaylarını iyileştirir. Yapay zeka ve derin öğrenme fenomeni öncesinde görüntü enterpolasyon algoritmaları görüntü çözünürlüğü arttırma görevini yerine getiriyordu. Son yıllarda derin öğrenme tabanlı süper çözünürlük yöntemleri gelişmiş detaylara sahip yüksek çözünürlüklü görüntü üretmede üstün performans göstermesi ile ilgiyi üzerine doğru çekmiştir. Bu çalışmada, görüntü zenginleştirme problemine enterpolasyon yöntemlerinden, denetimli derin öğrenme tabanlı süper çözünürlük yöntemlerine kadar geniş bir inceleme yapılmıştır. Yöntemlerin performanslarının değerlendirilmesinde kullanılan metrikler ve yöntemlerin kullanım alanlarına değinilmiştir.