甄有恒

（1.四川大学计算机学院，成都610065；2.中国人民解放军95876部队，张掖）

0 引言

红外成像技术利用目标热源信息差生成图像空间数值，能够有效克服可见光图像无法实现穿透检测的缺陷，已经在军事、工业、遥感、医学等领域有着广泛应用。然而，受红外传感器工艺限制，红外成像质量明显低于可见光成像，主要表现在成像分辨率低以及各类非均匀性噪声显著[1]。因此，提升红外图像分辨率具有重要的应用价值。面对硬件性能研发困难的问题，算法设计更能节约研发成本。

图像超分辨率重建是图像退化的反过程，其本质是回归问题[2]。从机器学习过程看，超分辨率重建方法可以分为人工传授、自主学习和半自主学习3种形式。人工传授基于传统算法模型设计，需要扎实的学科理论基础，但是设计过程需要具备丰富的图像处理先验知识；自主学习形式以深度学习为典型代表，依靠高维复杂的映射函数实现端到端的学习，但是往往需要高算力和海量数据。半自主学习形式融合人工传授和自主学习两种形式的优点，通常采用传统算法优化输入端，然后再自主映射学习，但是对模型设计能力要求高。

利用深度学习技术实现图像超分辨率重建的模型中，基于重构[3]、残差[4-5]、生成对抗[6]等的卷积神经网络方法处理可见光图像效果明显。受此启发，文献[7]首次将卷积神经网络用于红外图像增强处理，采用4层网络对图像进行端到端的重构。文献[8]对MNIST数据集进行伽马变换和高斯滤波方法实现红外数据仿真，利用多尺寸卷积核提取不同规模特征来实现增强对比度、突出红外弱小目标和抑制背景杂波。……