张贺舒，李 涛，宋公飞，2，3

1.南京信息工程大学 自动化学院，南京210044

2.化工过程先进控制和优化技术教育部重点实验室，上海200237

3.南京信息工程大学 江苏省大气环境与装备技术协同创新中心，南京210044

1 引言

超分辨率（Super-Resolution，SR）[1]技术是指从观测到的低分辨率图像重建出相应的高分辨率图像。高分辨率图像具有更高的像素密度，能提供更多的色调、形状、纹理等细节信息，带来更好的视觉体验。现有SR根据输入信息不同可分为两类：从多张低分辨率图像重建出高分辨率图像（多帧图像超分辨）和从单张低分辨率图像重建出高分辨率图像（单帧图像超分辨）。单帧图像超分辨（Single Image Super-Resolution，SISR）利用单幅图像进行超分辨重建，克服了图像序列难以获得和时序性不够的问题。单帧图像由于缺乏多帧图像间的关联信息，难以获取图像降质的先验信息而成为图像超分辨重建的难点。SISR 是一个逆问题，对于一张低分辨率图像可能存在许多不同的高分辨率图像与之对应，为了让逆向图片的结果更接近真实图片，需要让模型在现有的低分辨率像素的色度信息和位置信息约束条件下，在指定领域中来进行可逆训练。传统方法如频域、插值、最大后验概率法等用于SISR时，往往只能提高图像中局部区域的清晰度，对图像整体则会产生钝化、模糊的效果。基于深度学习的SR主要是SISR，为了让模型能够更好地学习和利用约束条件，神经网络直接优化低分辨率图像到高分辨率图像的损失函数进行端到端训练。……