Качественное уменьшение изображений за константное время

По сути нет. Вы описали совсем другой метод. Правда я не понимаю, зачем это делать в фотошопе, там нормальные свертки и время работы ресайза не так критично.

Свертки работают тем медленнее, чем больше размер исходного изображения. Смотрите второй листинг в статье:

>>> from PIL import Image
>>> im = Image.open('pineapple.jpeg'); im.load(); im.size
(2560, 1600)
>>> %time im.resize((256, 170), Image.BICUBIC)
Wall time: 33.2 ms

>>> im = Image.open('space.jpeg'); im.load(); im.size
(4928, 3280)
>>> %time im.resize((256, 170), Image.BICUBIC)
Wall time: 130 ms

Вот тут есть несколько вариантов, как выбирать точки: https://en.wikipedia.org/wiki/Supersampling#Supersampling_patterns

Случайный мне не нравится, потому что на саму рандомизацию уйдет много ресурсов. А больше всего нравится RGSS. Там смысл в том, что точки распределены более-менее равномерно, но ни одна пара не лежит на горизонтальной или вертикальной прямой, что дает более репрезентативную выборку для реальных изображений, где вертикальные и горизонтальные линии встречаются часто. Но любой алгоритм кроме равномерной сеточки придется программировать, а тут смысл именно в том, что программировать ничего не надо.

Остались ещё разработчики графического софта, которые не знают, что при уменьшении изображений тупая интерполяция не работает?

В статье есть не полный список ПО: OpenCV, канва в браузере. Еще я много раз видел, как браузеры используют его для обычных картинок для быстрой черновой отрисовки при изминении размеров, а уже через секунду отрисовывают на чистовую с помощью сверток. Ну а какой-нибудь ИЕ11 использует фиксированное ядро всегда.

который можно описать гораздо короче

Вы ошиблись в описании. Уменьшаем не в целое количество раз, а до размера в целое количество раз больше конечного.

проблемы вызовут тонкие линии на изображении (станут прерывистыми)

Это можно посмотреть на фотографии схемы метро, там действительно некоторые линии прерываются при 2x.

Я ни разу не встречал, чтобы описанный метод назывался суперсемлпнгом (даже не встречал, чтобы он в принципе был где-то реализован). Но если подумать, что делает видеокарта при суперсемплинге? Она из бесконечного кол-ва точек (отренидирить сцену мы можем в бесконечном разрешении) выбирает 4 точки для каждого конечного пикселя, так что да, в каком-то смысле это и есть суперсемплинг.

В статье я называю суперсемплингом усреднение цвета всех точек, которые попадают под конечный пиксель в масштабе исходного изображения. Это именно то, что делает OpenCV с фильтром INTER_AREA и то, что делает видекарта при суперсемплинге — усредняет цвет нескольких имеющихся у нее точек исходного изображения.

А чем будет плох метод, когда все точки исходного изображения усредняются условно говоря за один проход?

Тем, что это метод ресайза не за константное время относительно размера исходного изображения.

The image will be output at half size, though better quality could be obtained using imagecopyresampled().

А почему я должен «помнить» о декодированиии изображения, если речь о ресайзе?

см https://habrahabr.ru/post/340966/#comment_10492298

Я кстати попробовал RGSS (сэмулировал как мог), результат мне не понравился:

# coding: utf-8
from __future__ import division

import sys
from PIL import Image

im = Image.open(sys.argv[1])

w = 256
h = int(w / im.width * im.height + 0.5)
s = im.width / w

im0 = im.transform((w, h), Image.AFFINE,
                   (im.width / w, 0, -s*.35, 0, im.height / h, -s*.15),
                   Image.NEAREST)
im1 = im.transform((w, h), Image.AFFINE,
                   (im.width / w, 0,  s*.35, 0, im.height / h,  s*.15),
                   Image.NEAREST)
im2 = im.transform((w, h), Image.AFFINE,
                   (im.width / w, 0,  s*.15, 0, im.height / h, -s*.35),
                   Image.NEAREST)
im3 = im.transform((w, h), Image.AFFINE,
                   (im.width / w, 0, -s*.15, 0, im.height / h,  s*.35),
                   Image.NEAREST)

Image.blend(
    Image.blend(im0, im1, 0.5),
    Image.blend(im2, im3, 0.5),
    0.5
).save('_out.RGSS.png')