超分辨率综述.docx

超分辨率综述 超分辨率（Image Super Resolution, SR）是一种计算机视觉和图像处理技术，旨在从低分辨率（Low Resolution, LR）图像中恢复高分辨率（High Resolution, HR）图像。该技术有广泛的应用前景，如医学成像、安防等，并且可以提高图像感知质量和其他计算机视觉任务的性能。 SR 模型家族在以下几个主要方面有所不同：网络架构、损失函数、学习原则和策略等。随着深度学习技术的发展，基于深度学习的 SR 模型得到了积极的探索，并在各种 SR 基准上取得了最先进的性能。 SR 问题的定义是从 LR 图像中恢复相应的 HR 图像。设存在某一 HR 图像 Iy，则 LR 图像 Ix 可以建模为退化过程：Ix = D(Iy;δ)，其中 D 是退化映射函数，δ 是退化过程的参数（比如缩放系数或噪声分布参数）。一般来说，退化过程是未知的，只知道 LR 图像。这种情况下也称为 blind SR，研究者需要从 LR 图像中（近似地）恢复出 HR 图像 Iy_：Iy_ = F(Ix;θ)，其中 F 是 SR 模型，θ 是 F 的参数。 SR 的目标是最小化生成的 HR 图像 Iy_ 和 ground truth 图像 Iy 之间的损失函数 L(Iy_,Iy)。φ(θ) 是正则化项，λ 是权衡参数。虽然 SR 最常用的损失函数是像素均方误差（即像素损失），但更强大的模型往往使用多个损失函数的组合。 SR 的数据集目前有多种图像超分辨率数据集，这些数据集在图像数量、质量、分辨率和多样性等方面都存在很大差异。其中一些数据集提供 LR-HR 图像对，而有些只提供 HR 图像，这种情况下 LR 图像通常是通过 MATLAB 中默认的 imresize() 函数获得（即 bicubic interpolation with anti-aliasing）。 图像质量评估（IQA）是指图像的视觉属性，主要是观察者的感知评价。一般来说，IQA 方法包括基于人类感知的主观方法（即图像看起来有多逼真）和客观计算方法。前者更符合我们的需要，但往往费时费力，因此后者是目前的主流。然而，这些方法之间并不一定一致，因为客观的方法往往无法非常准确地捕捉人类的视觉感知，这可能导致 IQA 结果的巨大差异。 SR 技术的最新进展具有广泛的应用前景和挑战性。我们需要继续研究和探索 SR 技术，以满足实际应用的需求。