图像超分辨重建算法综述

史振威，雷 森

（北京航空航天大学宇航学院图像处理中心，北京，100191）

引 言

图像超分辨重建是一种利用低分辨率图像恢复得到高分辨率图像的图像处理技术[1-3]。该技术能在不改变物理成像设备的限制下，获取更高分辨率的图像，在很多领域得到了应用，如医学成像[4-6]、安全监控[7-8]、遥感图像处理[9-11]等。除了能够提升图像质量，图像超分辨重建技术也可以改善许多计算机视觉任务[12-15]。

图像超分辨率最早由Harris[16]在20世纪60年代提出，旨在通过一幅低分辨率图像重构出高分辨率图像。Tsai[17]于1984年利用多幅低分辨图像实现对高分辨率图像的恢复。随着机器学习技术的研究和发展，Freeman等[18-19]于2000年首次将机器学习的方法应用至图像超分辨领域。随后大量基于机器学习的超分辨方法涌现出来，如基于邻域嵌入的方法[20]，基于稀疏表示的方法[21-25]和基于局部线性回归的方法[26-28]等。但这些方法大多是利用图像的底层特征进行超分辨率重建，特征的表达能力有限，很大程度上限制了重建效果。

深度学习方法能够自适应地从训练集中学习得到深层特征，在最近几年被广泛应用于图像超分辨领域。Dong等[29-30]于2014年利用卷积神经网络（Convolutional neural networks,CNNs）直接学习低分辨率图像到高分辨率图像之间的非线性映射关系，相较于传统方法，重建效果得到了较大提升。此后，研究人员提出了大量基于深度学习的超分辨网络模型，如利用残差学习和残差模块构造深层的超分辨率网络模型[31-33]，采用递归结构[34-36]和密集连接[37-38]，以及将注意力机制与超分辨网络相结合[39-40]等。……