郑 璐 王保云 杨 昆 孔 艳 张祝鸿 张玲莉

（1.云南师范大学信息学院 昆明 650500）（2.云南师范大学信息学院数据科学实验室 昆明 650500）

1 引言

在这个信息大爆炸的时代，人类通过各种各样的信息感知世界，其中图像是人类获取信息、表达信息和传递信息的重要手段［1］。近年来，利用某些技术手段对低质量图像进行超分辨率重建引起了研究者的广泛关注。超分辨率图像重建（Super Resolution，SR）是指利用相关的图像处理和算法模型，从观测到的低分辨率图像中重建高分辨率图像的技术［2］。高分辨率图像包含了更多的纹理特征和细节信息，因此在监控设备、卫星图像和医学影像领域都有重要的应用价值。

传统的超分辨率重建算法通常分为基于重建的方法和基于学习的（非深度学习）方法。Stark等人提出的凸集投影［3］使用迭代投影得到高分辨率图像的估计；随后，Irani和Peleg提出了迭代反投影的方法，成为超分辨率图像重建中非常有代表性的方法［4］；最大后验概率法是Schultz和Stevenson提出的一种典型的概率方法［5］，最终保持图像的局部特征平滑和边缘信息，获得了比较好的效果；Nguyen等提出的正则化方法［6］，利用恒定正则化算子和最优正则化参数构造图像模糊参数、正则化参数以及高分辨率图像的最小能量函数，从而形成规则的超分辨率重建模型。传统的基于学习的方法主要涉及机器学习领域，通常采用机器学习技术来局部估计输出图像的高分辨率细节信息。基于实例的方法是一种早期的基于学习的超分辨率图像重建方法［7］，在4倍放大因子的条件下，获得了较高的图像质量；……