曲延云，陈 蓉，李翠华，王菡子

(1.厦门大学信息学院，福建 厦门 361005；2.西藏民族大学信息工程学院，陕西 咸阳 712082)

单帧图像超分辨率重建(single image super-resolution reconstruction，SISR)技术是指将一幅低分辨率(low-resolution，LR)图像重建成一幅高分辨率(high-resolution，HR)图像的过程，有着广泛的应用，常被应用于医疗成像、卫星遥感、公共安全监控、多媒体通讯等领域.

SISR是一类典型不适定问题.首个基于深度学习的超分辨率卷积神经网络(super-resolution convolutional neural network,SRCNN)[1]通过学习大量的外部图像数据集，实现了一种端到端的解决方案，避免了繁琐的图像预处理过程，也为后续众多的SISR模型奠定了研究基础.SRCNN在定性和定量指标上都超过传统SISR方法，取得突破性增益值.目前，基于深度学习的SISR方法进入快速发展期，大量的研究成果已发表在国际计算机视觉、图像处理与信号处理领域的顶级会议和期刊上.不仅如此，还出现了多篇基于深度学习的SISR综述性论文：2017年，孙旭等[2]从网络类型、网络结构、训练方法等方面综述了现有SISR技术的优势与不足, 梳理了基于深度学习的SISR的发展脉络.2019年，Wang等[3]从有监督、无监督和典型应用领域三个方面，全面阐述了基于深度学习的SISR技术.同年，Yang等[4]从基于深度学习的SISR的两类核心问题(神经网络结构和目标优化函数)出发，对每一类都建立一个基准，总结关键问题并给出关键解释和分析.2020年，唐艳秋等[5]从模型类型、网络结构、信息传递技术等方面详述了各种深度学习SISR方法.

自2010年起，厦门大学信息学院视频和图像处理实验室在SISR上进行了深入的研究[6-18]，催生了一批深度学习的重要成果：利用深度玻尔兹曼机(RBM)进行SISR研究[14]，是利用深度学习解决SISR问题最早的论文之一；……