朱泓宇，谢 超

(南京林业大学机械电子工程学院，江苏 南京 210037)

随着数字图像在生产、生活中的应用越来越广泛，图像的增强尤其是图像分辨率的提升，越来越受到人们的重视。图像的超分辨率技术，可以将一张低分辨率的图像转换为高分辨率图像，同时尽可能避免图像放大过程中带来的模糊问题，提升图像的清晰度。如今，这一技术已经在医学影像、安防监控等领域有着非常广泛的运用。

在过去的几年中，人们采用稀疏表示[1]、流形学习等方法进行图像的超分辨率重建，这些方法相较于像素的插值有着十分显著的提升。随着人工智能、深度学习的迅猛发展，近年来涌现出大量基于卷积神经网络的图像超分辨率方法。这些方法通常采用一个低分辨率图像作为网络的输入值，将高分辨率图像作为输出值，采用卷积神经网络来学习两张图片的映射关系。例如Dong等于2016年提出的SRCNN方法[2]，首次将卷积神经网络用于图像的超分辨率中。由于浅层神经网络无法学习出对应的关系，为了取得更好的性能，研究者们采用更深的网络进行学习，并引入了如残差结构、注意力机制、对抗生成网络等诸多方法。此类方法相较于传统的机器学习方法，提升效果明显，超分辨率的视觉效果与性能更加优秀。然而，由于超分辨率是一个病态的问题，一张低分辨率图像可以对应出无数张高分辨率图像，以上方法难以准确补充高分辨率图像原有的细节，因此会出现图像锯齿、双重边缘等问题。……