基于生成对抗网络的图像超分辨率重建算法

刘郭琦， 刘进锋， 朱东辉

(宁夏大学 信息工程学院，宁夏 银川 750021)

1 引 言

在现代生产生活中，人们对图像质量的需求越来越高。由于低分辨率模糊图像不能满足应用需求，高分辨率图像逐渐成为了人们的刚需。虽然光学器件的发展对超分辨成像效果显著[1]，但由于成本和应用环境的限制，算法层面的超分辨率重建技术仍然具有广泛的应用价值和市场前景。

图像超分辨率重建方法可分为传统方法和基于深度学习的方法。传统方法包括基于重建[2]和基于插值[3]两种方法。基于重建的方法主要包括迭代反投影法[4]和凸集投影法[5]等，这类算法操作方便、重建速度比较快，但是所引入的先验知识有限，在重建后会丢失很多图像细节，效果并不理想。基于插值的方法包括双三次插值法[6]、最近邻插值法[7]等，这类方法原理简单，重建速度快，但重建的图像比较模糊，实际应用价值不高。基于深度学习的超分辨率方法效果相比传统方法好很多，在研究发展过程中逐步提高了神经网络的性能，使超分图像具备了高频信息，变得十分清晰。

对于基于深度学习的图像超分辨率重建方法，通常如果学习的样本足够多，神经网络趋近最佳映射，重建的效果更好。目前基于深度学习的卷积神经网络算法是解决图像超分辨率问题的主流方法，该类方法重建图像质量高、受应用场景限制少。

2014年，Dong等人提出的超分辨率卷积神经网络(SRCNN)[8]是超分辨率问题中深度学习的首次应用。……