最近的研究表明，基于稀疏表示的技术可以导致最新的超分辨率图像重建（SRIR）结果。 它依赖于这样的想法，即低分辨率（LR）图像补丁可被视为高分辨率（HR）图像的向下采样版本，假定其补丁相对于原型补丁字典具有较稀疏的表示形式。 为了避免庞大的训练补丁数据库并获得更准确的HR图像恢复，本文将实例辅助冗余字典学习的概念引入单图像超分辨率重建中，并提出了启发性的多字典学习方案。通过多任务学习。 从通过K均值聚类分类的样本中学习紧凑型冗余字典，以便为每个样本提供更合适的字典以进行图像重建。 与可用的SRIR方法相比，该方法具有以下特点：（1）在基于稀疏表示的SRIR中引入示例补丁辅助字典学习，以减少庞大字典带来的密集计算复杂度，（2）使用通过多任务学习和先验后的HR图像实例来重建相似的HR图像，以获得更好的重建效果；（3）采用离线词典学习和在线重建，使得快速重建成为可能。 进行了一些实验，在一些自然图像上测试了该方法，结果表明，从训练图像中随机选择的少量原始补丁和少量原子可以产生良好的重建效果。 视觉结果和数字准则都证明了其优于某些现有的SRIR方法的优越性。
