张 德，林青宇，郭茂祖

北京建筑大学 电气与信息工程学院&建筑大数据智能处理方法研究北京市重点实验室，北京100044

图像超分辨重建（Super-Resolution，SR）是计算机视觉和图像处理领域的重要研究方向之一。在不改善成像设备硬件条件的前提下，通过信号处理和软件方法等提高图像分辨率，即为SR技术。SR不仅有重要的学术研究价值，并且在很多场合有实际应用价值，例如医学影像分析[1-2]、卫星遥感成像[3]和视频安全监控[4]等方面。

单幅图像超分辨重建（Single Image Super-Resolution，SISR）仅利用一幅低分辨率（Low Resolution，LR）图像为输入，重建具有丰富图像细节和清晰纹理的高分辨率（High Resolution，HR）图像，实用价值很高。早在20世纪60年代，SISR技术由Harris和Goodman提出，并通过图像复原的方法来实现[5-6]。然后，Brown 和Wadaka 等使用长椭球波函数方法[7]和叠加正弦模板方法[8]等其他复原技术进行超分辨重建，但是实际应用效果并不好。

因此，研究学者们陆续提出各种SISR技术，主要包括基于插值的方法，如双线性插值（Bilinear）、双立方插值（Bicubic）[9]、曲率插值[10]和自适应图像插值[11-13]等；基于重建的方法，如迭代反向投影法[14-16]、凸集投影法[17-19]和最大后验概率法[20-22]等；基于样例学习的方法，如邻域嵌入法[23-25]、稀疏表示法[26-28]和回归方法[29-31]等。但由于超分辨重建是一个难解的欠定问题，传统方法难以重建图像高频细节信息[32-33]。

随着机器学习在计算机视觉领域的发展，深度学习被广泛应用到图像超分辨重建任务中，并取得了很好的重建效果。如今，基于深度学习的SISR 方法已逐渐成为主流，图1给出了SISR深度学习研究方法的发展时间轴线。……