基于深度学习的单幅图像超分辨率重建算法综述
2021-12-01李佳星赵勇先王京华
李佳星 赵勇先 王京华 ,4
单幅图像超分辨率(Single image super-resolution,SISR)重建是根据一张低分辨率(Low resolution,LR)图像恢复出高分辨率(High resolution,HR)图像的过程,研究超分辨率的学者将图像重建成×2、×3、×4、×8 这4 种尺度的较多,其中×2 代表将图像的边长放大2 倍,即像素密度增加4 倍,×3、×4 和×8 与其同理.如何保证重建后图像的质量更接近Ground truth 图像成为了研究热点,其目标如下:

其中,x为LR 图像,y为对应的Ground truth 图像,Fsr(x)为运用某种算法重建后的HR 图像,λ为平衡参数,Φ(y) 为正则化项.
超分辨率重建在卫星、遥感、天文学、安防、生物医学等诸多领域以及恢复珍贵的历史图像资料上起到了非常重要的作用.目前在计算机视觉上单幅图像超分辨率已经成为一个专门的学术问题,吸引了国内外众多学者的关注与研究.
在深度学习未兴起前,经典的单幅图像超分辨率算法占据主导地位,Lanczos 重采样[1]和双三次插值[2]得到了广泛的应用,但采用插值方法有时会导致图像边缘和细节模糊,因此其他传统算法也被相继提出[3−5],有效地增强了图像的质量.经典的超分辨率重建算法需要很多先验知识,且要求研究者具有深厚的专业知识储备.随着深度学习的兴起,由于该技术不需要过多的先验知识,且重建后的图像质量优于传统算法,因此得到了广泛的关注.Dong等[6]首先将卷积神经网络应用到图像超分辨率重建技术中,提出了超分辨率重建卷积神经网络(Superresolution convolutional neural network,SRCNN),图1 为SRCNN 的模型框架图,虽然只有三层神经网络,但相比于经典超分辨率算法,取得了显著的效……
