图像超分辨率重建综述

图像超分辨率重建是计算机视觉领域中一个备受关注的研究方向，其目标是通过使用先进的超分辨率方法，将低分辨率图像提升至高分辨率，以改善图像质量和细节。图像超分辨率重建在医学影像、计算机视觉和卫星遥感等领域具有广泛的应用。本文涵盖了基于深度学习的单图像超分辨率和多图像超分辨率的发展历程和最新进展，并探讨了两类方法的优势与局限性。图像超分辨率重建仍然充满挑战和机遇，文章最后展望了图像超分辨率重建的未来研究方向。

随着移动通信和互联网技术的快速发展和普及，信息的获取和传递不再受时空限制，实时性更好， 而图像和视频能够包含更多的信息，逐渐在社交领域占据主导地位，加速了信息的传播速度，丰富了人们的交流方式。为了追求更好的视觉体验，人们希望能得到清晰逼真的高质量图像。图像分辨率指的是图像中包含的像素数量，通常以宽 × 高的方式表示，图像的分辨率越高，图像就越清晰，图像能够呈现出更多细腻和真实细节。但在图像形成和传递过程中，成像系统缺陷、压缩传送等因素通常会带来图像失真、分辨率低等问题，从而导致图像的细节信息丢失，极大地阻碍了信息的快速传递。

为了解决这一问题，一方面可以从成像根源入手，尝试改进成像设备工艺，但是这类方式代价昂贵。

另一方面，可以利用图像超分辨率(Super-Resolution, SR)技术将输入的模糊、信息缺失的低分辨率(Low Resolution, LR)图像重建为清晰、细节逼真的高分辨率(High Resolution, HR)图像。

该方法成本较低且效果更好，能够克服硬件条件的限制，提升画质，改善视觉体验 [1]。

随着深度学习在计算机视觉领域取得了巨大成功，基于深度学习的超分辨率技术也得到了积极的探索与发展，目前已经提出了各种基于深度学习的图像超分辨率方法，且在公开数据集上取得了很好的重建效果。目前，图像的超分辨率技术已经广泛应用到实际场景中，在专业领域中，如医学诊断 [2]、遥感图像 [3]、计算机视觉研究 [4]等，超分辨率帮助从业人员改善图像质量，获取更加清晰精细的高清细节。

2. 图像超分辨率重建算法 图像超分辨重建方法从信息有限的低分辨率数据中还原得到具有丰富的细节和结构的高分辨率图像，解决了低分辨率图像中信息损失的问题。传统的图像超分辨率重建方法主要有基于插值的方法 [5]和基于重建的方法 [6]。

插值法主要关注像素之间的平滑和插值， 缺乏对图像中复杂结构和纹理的深入理解， 难以准确还原丢失的高频信息，导致重建图像表现较差。重建法依赖于事先定义的模型或规则，这可能导致在处理多样性和复杂性较高的图像时表现欠佳。目前，主流的图像超分辨率重建方法是基于深度学习的方法。深度学习方法通过大量的数据学习图像的映射关系，能够有效学习图像中的高频信息，包括图像的结构和纹理信息，提高了对复杂场景的适应能力 [7]。

从输入图像数量的角度，可以将图像超分辨率重建方法分为单图像超分辨率(Single Image Super- Resolution Reconstruction, SISR)和多图像超分辨率(Multi-image Super-resolution, MISR)方法 [8]。

SISR 方法从单一低分辨率图像中学习并恢复出相应的高分辨率图像，SISR 可以分盲超分辨率(Blind Su-per-Resolution, Blind SR)和非盲超分辨(Non-Blind Super-Resolution, Non-Blind SR) [9]。非盲超分辨率的图像退化场景是已知的，而盲超分辨率旨在对未知退化类型的LR 图像进行超分辨率重建 [19]，适用于更加真实复杂的场景。MISR 方法利用多个LR 图像来提高单一图像的分辨率，以增强整体图像的质量，逐渐发展为视频超分辨 [10]。

但是在实际应用中， 很多情况下只有单一低分辨率图像可用， 而获取多个视角的