章韬略，周永霞

(中国计量大学 信息工程学院，杭州 310018) E-mail：361082923@qq.com

1 引 言

从低分辨率(LR)图像中评估得出高分辨率(HR)图像，这一任务被称为超分辨率(SR).超分辨率在各个领域都有着良好的发展前途，例如军工领域、农业领域，又或者是在医学方面有着至关重要的作用.超分辨率在近几年兴起的人工智能行当里具有举足轻重的意义.

Harris在20世纪60年代时第一次提出了根据传统的提高图片质量的超分辨率方法，这在当时是首开先例的.之后产生了例如基于差值[1]的方法、基于超分辨率重建的方法[2]、基于机器学习的方法[3]，但是这些算法的效果虽有所提高却并不显著.比如使用差值方法计算时，首先假设每个像素的灰度值在连续的变化，之后再计算出相邻像素灰度值的变化通过公式计算得出需要插入灰度值的值.但是这种方法的缺陷是并没有考虑到在实际生活中一张照片每个像素之间的变化都是非常的随机性的以及复杂的因此这种方法的效果并不理想.

最早将深度学习方法引入超分辨率的研究的学者是Dong[4].他通过卷积的方法将一张图片做卷积导入神经网络，这是第一次使用深度学习的方式来解决提升图片质量的问题.这种算法虽然只有3层的卷积网络来将图片由低分辨率转化成高分辨率，相比传统的所有算法，不仅视觉效果上有显著的提升，而且在评价一张照片质量好坏的PSNR(峰值信噪比)以及SSIM(结构相似性)指标上也有了明显的改……