董本志， 于明聪， 赵 鹏

(东北林业大学 信息与计算机工程学院，黑龙江 哈尔滨150040)

1 引 言

图像超分辨率重建[1](Super-Reconstruction，SR)是通过低分辨率 (Low Resolution, LR)图像或者图像序列恢复出高分辨率(High Resolution, HR)图像的技术，由Harris[2]等人在20世纪60年代首次提出，之后在卫星成像[3]、医学成像[4]、光学成像[5]、图像生成[6]、生物成像[7]等计算机视觉任务和图像处理领域均取得了突出成就。目前主流方法有基于插值、基于重构、基于学习3种。

基于插值和基于重构的方法对自然图像的先验知识具有较大的依赖性，从而导致处理复杂图像时无法恢复出更多的细节信息，重建能力有限。基于学习的方法通过建立高、低分辨率图像两者之间的映射关系，利用学习获得的先验知识来完成高分辨率图像的重建。目前基于学习的方法主要有基于稀疏表示、近邻嵌入和深度学习的方法。Timofte[8]等人将稀疏字典和领域嵌入进行结合，提出了锚定领域回归算法和改进后的锚定领域回归(A+)算法，计算效率得到了提高，但图像细节恢复效果较差。传统学习模型的特征提取和表达能力极其有限，很大程度上限制了重建效果，而基于深度学习的方法以其强大的学习能力在超分辨率领域得到了广泛的应用，重建效果相较于其他方法具有大幅提升。

基于深度学习的SR研究中，Dong[9]等人首次提出了基于卷积神经网络(CNN)的超分辨率图像重建方法SRCNN，通过端对端的训练学习来解决SR问题。SRCNN具有3个卷积层，分别代表图像块的特征提取、表示和重构，显著提高了传统方法的重构进度。……