崔 琛，黄 辉，张凯兵

(1.西安工程大学 电子信息学院，陕西 西安 710048；2.广西科技师范学院 职业技术教育学院，广西 来宾 546100)

图像超分辨是一种利用同一场景下获得的一幅或多幅低分辨率(low-resolution，LR)图像重建出一幅高分辨率(high-resolution，HR)图像的图像恢复技术[1]。一般而言，目前主流的超分辨算法主要分为四种要类型：基于插值的方法[2-4]、基于重构的方法[5-8]、基于传统的实例学习的方法[9-12]和基于深度学习的方法[13-15]。

基于插值的方法主要是利用特定的基函数或插值核估计高分辨率图像中的未知像素。尽管这类方法简单、高效，但它们难以恢复低分辨率图像中丢失的高频细节，导致重建的图像视觉效果模糊，通常情况下难以满足实际应用要求。基于重构的方法通过求解图像生成的逆问题实现高分辨率图像的估计，但该方法重建图像的质量很大程度上依赖于应用的先验知识。因此，学习并利用有效而全面的图像先验知识进行正则化求解，是成功解决该问题的关键。基于传统实例学习的图像超分辨方法主要借助于机器学习技术，从给定的大量实例图像对中学习低分辨与高分辨图像块之间映射关系，实现低分辨图像到高分辨图像的变换。虽然基于传统实例学习的方法能有效恢复低分辨图像中丢失的高频细节，但是该类方法对数据集的依赖性较强，当输入图像与训练数据集中的图像在结构上差异较大时，重建出的超分辨图像并不能达到令人满意的效果。……