陈纯毅，吴欣怡，胡小娟，于海洋

（长春理工大学 计算机科学技术学院, 吉林 长春 130022）

1 引 言

传统光学成像系统使用多组光学透镜将光线折射聚焦到传感器上，由此建立目标场景和传感器像素之间的对应关系，传感器将光信号转换为电信号，再经过数字化处理得到最终图像。在此过程中，成像分辨率与信息量不可避免地受到光学衍射极限、探测器离散采样、成像系统空间带宽积等若干物理因素的影响[1]。受制作工艺和成本限制，从硬件方面提高图像的分辨率很难突破，因此图像超分辨率重建技术得到了广泛关注[2-3]。

图像超分辨率重建是指由低分辨率(Low Resolution, LR)图像或图像序列重建高分辨率(High Resolution, HR)图像[4]。其中，单幅图像超分辨率重建技术已被广泛应用于高光谱成像[5-6]、医学影像[7-9]、卫星遥感[10-11]、人脸识别[12-13]等领域。

图像超分辨重建的最主要目的是增加数字图像的像素数，尽可能重建图片中的高频信息，获得边缘纹理清晰可见，颜色保真的图像。目前，单幅图像超分辨率重建(Single Image Super- Resolution，SISR)的传统方法主要分为三类，分别是：基于插值的方法[14]、基于重建的方法和基于浅层学习的方法。基于插值的方法是根据LR 图像像素的排列关系就近选择性质相同的像素值进行重建。常见的插值算法如双三次插值法（Bicubic），目前大部分情况将其用于预先上采样模型的数据预处理。虽然计算简单但是损失较多，重建图像边缘通常会产生锯齿伪影，效果不好。基于重建的方法首先要构建退化模型，通过退化模型逆推重建图像。……