李 诚，张 羽，黄初华

贵州大学 计算机科学与技术学院，贵阳550025

1 引言

超分辨率图像重建（Super Resolution Image Reconstruction，SRIR）[1-2]是近年来计算机视觉和图像处理领域的一个研究热点，由于广泛的应用场景和理论价值，超分辨率图像重建引起了研究者的广泛关注。超分辨率图像重建本质上是如何由一幅或多幅低分辨率（Low Resolution，LR）图像生成一个具有良好视觉效果和接近真实图像的高分辨率（High Resolution，HR）图像的问题。在图像的实际应用中，为了减轻传输或存储负担等问题，通常对图像进行下采样等降质操作，而降质操作具有不可逆性，所以该问题是病态问题。因此从低分辨率图像重建为高分辨率图像的关键是找到低分辨率和高分辨率图像之间的映射关系。

目前主流的超分辨率重构技术大致分为三类：基于插值[3]、基于重建[4-5]和基于学习[6-8]的方法。基于插值的方法，例如最近邻域插值和双三次插值，该类方法能有效地增强图像分辨率，但图像边缘部分会出现模糊。基于重建的方法重点是恢复图像丢失的高频信息，该类方法简单且工作量低，但无法处理结构比较复杂的图像。基于学习的方法是近年来的主流方法，该类方法旨在通过对大量数据样本的学习，建立低分辨率图像和高分辨率图像之间的映射关系。其中，基于深度学习[9]的超分辨率重建相比于传统只能人工提取特征进行相对简单的函数拟合的浅层学习，深度学习可以自动学习得到层次化的特征表示，实现更加复杂的非线性函数模型逼近。……