基于生成式对抗网络的图像超分辨率重建算法

姜玉宁，李劲华，2，赵俊莉

（1.青岛大学数据科学与软件工程学院，山东青岛 266071；2.青岛市船舶建造智能精度测量工程研究中心，山东青岛 266071）

0 概述

单帧图像超分辨率（Single Image Super-Resolution，SISR）重建作为低层次计算机视觉处理任务，在军事、遥感、医学和视频监控等领域应用广泛。SISR 的目标是从单幅低分辨率（Low Resolution，LR）图像中恢复出高分辨率（High Resolution，HR）图像，主要有基于插值的算法、基于重建的算法和基于学习的算法。基于插值的算法［1-3］是利用相邻像素点的信息预估HR 图像像素值，其计算较简单，可在线性时间内生成图像的超分辨率（Super-Resolution，SR），但其未考虑整张图像的语义，导致生成的图像缺少原始图像高频细节信息且无法实现图像锐化，即使增加图像的像素点视觉效果也较模糊，存在严重的失真现象。基于重建的算法是在LR 图像与HR 图像之间引入图像先验或约束条件，利用样本信息计算得到真实数据的分布情况。基于重建的算法包括凸集投影法［4］、迭代反投影法［5］和最大后验概率估计法［6］，该算法由于受计算资源和先验条件约束，因此无法生成高质量图像。

近年来，基于深度学习的算法相继出现。文献［7］采用SRCNN方法将卷积神经网络（Convolutional Neural Networks，CNN）应用于SISR 重建，随后多种基于CNN 的网络架构设计［8-9］和训练策略［10-11］被提出，然而这些方法均倾向于输出过度平滑且高频细节缺失的结果。针对该问题，文献［12］提出在特征空间而非像素空间计算的感知损失优化超分辨率模型，有效避免了输出过度平滑与高频细节缺失问题。文献［9，13］将生成式对抗网络（Generative Adversarial Networks，GAN）［14］引入超分辨率重建任务，以促使网络生成更真实自然的图像。……