肖雅敏，张家晨，冯 铁

（吉林大学计算机科学与技术学院，长春 130012）

0 概述

单图像超分辨率重建是计算机视觉领域中重要的图像处理技术，广泛应用于医学图像、视频监视、公共安全与遥感侦察等领域。在实际应用场景中，现有硬件条件的限制造成图像的分辨率质量较低，如以数字摄像机为监控设备时，其获取的图像通常缺少关键场景或人物细节信息。因此，为克服现有硬件系统的分辨率限制，使用单图像超分辨率重建技术来增强图像的空间分辨率。该技术的核心思想是通过分析低分辨率图像的关键语义信息或信号信息，推理出欠缺的真实细节并重建成具有高像素密度的超分辨率图像。

目前，单图像超分辨率重建的研究主要分为3个阶段。基于采样理论的插值方法［1-2］是出现较早且直观的方法，该类方法的优点是运行速度快且适合并行计算，但是存在不能引入额外有用的高频信息，从而难以得到锐化的高清图像的问题。基于此，研究人员提出利用低分辨率图像推测出对应的高分辨率部分信息的映射函数算法，该算法主要依赖邻域嵌入［3-4］、稀疏编码［5-7］等技术，但是当图像中未包含较多的重复样式时，其推断出的图像通常会产生非细节性的锐利边缘。

基于深度学习的方法已成为超分辨率算法中的热点方向。文献［8］提出的SRCNN模型采用卷积神经网络（Convolutional Neural Network，CNN）技术重建生成了清晰度更高的图像，它采用大量外部的高分辨率图像构造学习库，并经过训练生成神经网络模型，在对低分辨率图像重建过程中引入模型获取的先验知识，以此得到图像的高频细节信息，从而达到良好的图像重建效果。……