邢苏霄,陈金玲,李锡超,陈 彤

(南京烽火天地通信科技有限公司,南京 210019)

图像超分辨率重建(super-resolution reconstruction,SR)是计算机视觉和图像处理领域中一个极具挑战性的热门研究课题. 大多数成像设备会受到硬件、环境等多种因素的干扰,使得图像的分辨率并不能满足实际应用的需要. 为了提高图像空间分辨率,研究学者们开始尝试在不改变成像设备的前提下,利用图像处理、机器学习等算法将低分辨率(low resolution,LR)图像重建为高分辨率(high resolution,HR)图像[1]. 正是因为深度学习能自适应地学习LR 图像与HR 图像之间的非线性映射关系这种特性,使得基于深度学习的图像SR 算法明显优于传统方法,因此也成为单图像超分辨率重建(single image super-resolution,SISR)的主流研究方法. 同时,SR 技术在医学图像的分析与识别[2]、人脸超分辨率[3]、视频监控与安全[4]、遥感图像[5]等实际场景中有着广泛的应用.

近年来,大量介绍SISR 方法的文献[6,7]以及与超分辨率相关的综述类文章[8,9]层出不穷,这些文献中都对近年来SR 领域提出的各种新型算法、设计的新型网络框架、新型的应用场景等进行了研究与总结. 与之不同的是,本文按照学习方法的差异性将基于深度学习的SISR 问题分为两大类: 有监督的SISR 方法和无监督的SISR 方法. 先全面介绍了与SISR 问题相关的储备知识,然后详细论述了以上两类方法的最新理论和研究进展,同时比较了不同算法之间的异同点和优缺点,最后对该领域存在的问题和未来的发展方向进行了总结和展望.

1 SISR 方法的理论……

登录APP查看全文