摘要：图像超分辨重建是一种提升图像分辨率的图像处理技术,而超分辨问题是一个难解的欠定问题,近些年来研究人员主要采用基于学习的方法,从大量数据中学习图像先验信息,以实现对解空间的约束。本文介绍了近20年来主流的图像超分辨重建算法,主要分为基于传统特征的方法和基于深度学习的方法。对于传统的超分辨重建算法,阐述了基于邻域嵌入的方法、基于稀疏表示的方法以及基于局部线性回归的方法。对于基于深度学习的超分辨重建算法,详细总结了网络模型结构设计、上采样方式、损失函数形式以及复杂条件下的算法设计4个方面。此外,本文简要分析了超分辨重建技术在视频超分辨、遥感图像超分辨以及在视觉高层任务方面的应用。最后,本文展望了图像超分辨重建技术的未来发展方向。

摘要：为降低无人机硬件设备升级成本,研究利用深度学习技术进行航拍图像超分辨(super-resolution,SR)。针对神经网络训练参数量大的特点,提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network,SRSCNN)重构方法,对神经网络连接权值进行选择性筛选达到压缩网络结构并减少训练时间的目的。实验结果表明,该方法在缩短网络学习时间,图像重构效果和计算时间上具有一定优越性。同时,设计了一种基于显著性区域的图像质量评价方式,更适应航拍图像后续处理工作。

摘要：由于目前监控视频所拍摄的人脸图像目标较小、难以辨识,图像超分辨处理已成为亟待解决监控视频图像实际应用问题的技术和手段。提出了一种针对室外监控视频人脸图像的超分辨技术,利用先验知识设置图像训练集,并进行图像空间转化、去噪等预处理操作;设计八层卷积神经网络并对各层类型及连接方式进行设定,同时设定激活函数类型及各层间传递方式函数;初始化参数并根据训练集训练网络;根据损失函数反向调整卷积核和偏置参数,完成图像输出。经过大量实际监控视频图像测试,并将本文方法和现有其他方法做对比,实验结果表明,本文方法在图像超分辨效果和处理速度上均有一定的优势。

摘要：目前,基于深度神经网络的方法是图像超分辨(Super Resolution, SR)研究的主流,该方法利用大样本端到端地训练一个低分辨图像至高分辨图像的映射.SR研究主要采用像素损失来约束以上训练过程,但会使得图像趋向平滑.引入生成对抗网络能够恢复出逼真的纹理细节,但重建的超分辨图像却存在一定程度的结构畸变.这都可以归结为底层特征失真问题.对此,提出一种特征保真的超分辨网络,该网络包含超分辨重建分支和特征保真分支.一方面,通过特征保真分支恢复高分辨率图像的底层特征,为SR过程提供额外的约束;另一方面,为消除不同分支间的域差异,设计通道调制系数实现特征信息的有效传递.特征保真分支能够一定程度上缓解重构图像的特征失真问题.实验结果表明,与目前主流的SR方法相比,本文方法以较少的参数量,能够获得较好的重构效果.

摘要：图像超分辨率旨在通过软件技术从低分辨率图像中获得高分辨率图像。受深层神经网络对非线性关系强大表示启发,提出一种基于多尺度密集连接网络的图像超分辨算法。利用多尺度和密集连接思想设计了两个并行子网络提取图像特征,一个子网络中引入多尺度卷积层以提取低分辨图像的多种特征,另一个子网络则利用密集连接模块加深网络结构尽可能提取丰富的纹理特征,同时还可以避免模型训练过程中梯度消失的问题。最后对两个子网络提取的特征求残差并对其行重构得到高分辨率图像。仿真结果表明,提出的算法无论在客观评价还是视觉效果上均优于其它同类超分辨算法。

摘要：图像超分辨重建(Super-Resolution,SR)是指利用信号处理和机器学习等方法,从单幅或者多幅低分辨率图像(LowResolution,LR)中重建对应的高分辨率图像(HighResolution,HR)的技术。由于多幅LR图像之间亚像素位移的不可预知性,单幅图像超分辨重建(SingleImageSuper-Resolution,SISR)逐渐成为超分辨研究的主要方向。近年来,深度学习方法得到迅速发展,并广泛应用到图像处理领域。因此,针对单幅图像超分辨重建所使用的深度学习相关算法和网络模型进行系统的总结。介绍图像超分辨问题的设置和评价指标;讨论和比较单幅图像超分辨重建的深度学习算法,主要从网络结构设计、损失函数和上采样方式三方面进行论述;介绍常用的标准数据集,并选用基于不同网络模型的几种典型算法进行实验对比分析;展望图像超分辨技术未来的研究趋势和发展方向。

摘要：卷积神经网络(Convolution Neural Networks,Conv Nets,CNN)在图像识别、目标检测、物体分类等方面已经被证实有效可行,于是人们尝试将CNN运用到更加广阔的领域,并取得了远超传统方法的性能。图像的超分辨重建就是一个典型的代表。传统的超分辨方法计算复杂,且对不同类型的图像具有较差的适应能力。将深度学习的方法应用到图像超分辨率重建上,大幅度提升了超分辨重建的效果,为超分辨重建领域开辟了一个新的方向。本文以SRCNN和VDSR为例,对基于深度学习的单幅图像超分辨算法比较探究。对两种网络的结构以及设计思想进行了详细分析,并通过实验比较验证了两种网络的优良性能。

摘要：星载合成孔径雷达(SAR)可以实现全天候、全天时、大幅宽的对地观测,但受天线尺寸和数据有损传输影响,高分辨率SAR图像的获取十分困难。针对该问题,提出一个基于结构保持的图像超分辨重构网络(SP-SRNet),以实现SAR图像从低分辨(LR)图像到高分辨(HR)图像的重构:使用一个轻量级深度卷积神经网络提取图像梯度图特征,为超分辨重构网络提供更多的结构信息;设计一个由像素损失和梯度损失组成的多目标函数优化SP-SRNet。利用ICEYE公司卫星高分辨SAR图像,采用双3次下采样算法构建SAR图像的LR-HR数据集,并在该数据集运用多种现有算法对比仿真验证。结果表明,提出的SP-SRNet在定量评估指标和主观视觉上均优于现有的超分辨重构算法。

摘要：复杂的场景可能使巡检机器人采集到的图像质量下降,导致机器人运动路径追踪时的精度下降。对此,提出基于图像超分辨的巡检机器人运动路径自动追踪方法。首先,通过图像超分辨技术提升运动图像质量,确保机器人在复杂环境下仍能清晰识别路径。然后,进行机器人运动路径配准,精确计算设备坐标系与基准坐标系间的平移和旋转关系。最后,利用模糊控制器进行机器人运动路径的动态追踪。结果表明,设计方法能够有效提升路径追踪精度,具有实用性。

摘要：本研究针对目前图像超分辨技术广泛应用于医疗、遥感等领域,但已有的图像超分辨方法大多采用退化假设的方式来训练模型,导致训练出的超分辨网络对真实场景下的图像的重建效果不理想这一问题,提出了一种基于域适应的真实世界图像超分辨方法。真实场景图像超分辨方法分为两阶段,第一阶段,通过设计退化网络,利用高分辨率图像经过退化网络合成低分辨率图像,并引入域适应损失来使得合成的低分辨率图像逼近真实世界低分辨图像;第二阶段利用第一阶段合成的高分辨率–低分辨率图像对以监督学习的方式训练重建网络,并通过频率分离技术,提取图像高频信息,送入判别器网络,通过频域对抗损失来促进重建网络恢复出图像中的更多细节,并减少伪影,来使得训练出的超分辨率网络对真实场景图像有着很好的泛化性。在RealSR数据集的子数据集上进行训练并进行验证测试,实验结果表明,与现有方法先比,所提出的方法在定量指标与定性效果方面都取得了最优的效果。因此,基于域适应的真实场景图像超分辨方法能够有效的缩小合成图像与真实场景图像间的域分布差异,使得超分辨网络能够适应具有多样分布的真实场景图像,大大提高了图像的重建质量。