1.1 题目

基于生成对抗网络的图像超分辨率重建算法设计与实现

1.2 背景及意义

超分辨率复原技术（Super-Resolution, SR）是指从观测到的低分辨率图像重建出对应的高分辨率图像。超分辨率重建可分为两类，其一是从多张低分辨率图像重建出高分辨率图像，其二是从单张低分辨率图像重建出高分辨率图像。随着神经网络的流行，基于深度学习的超分辨率技术，主要是基于单张低分辨率的重建方法(Single Image Super-Resolution, SISR) ^[1]。

对于一个低分辨率的图像，可能存在许多不同的高分辨率图像与之对应，因此通常在求解高分辨率图像时会加一个先验信息进行规范化约束。在传统的方法中，这个先验信息可以通过若干成对出现的低-高分辨率图像的实例中学到。而基于深度学习的超分辨率重建通过神经网络直接学习分辨率图像到高分辨率图像的端到端的映射函数。

超分辨率技术在监控设备、卫星图像和医学影像等领域都有重要的应用价值。近几年随着高清显示屏的普及，将低分辨率的图片转化为高清版本，以便在多种设备上查看，正在成为一项巨大的需求。

1.3 国内外研究现状

超分辨率复原技术最早由Harris 和Good-man 分别于1964 和1968 年提出, 被称为Harris-Goodman 频谱外推法。 研究初期, 它并未得到广泛的认可, 直到1984 年,由Tsai 等人提出由低分辨率(Low resolution, LR) 图像序列复原单帧高分辨率(High resolution, HR) 图像的方法之后, 超分辨率复原技术开始得到日益广泛的研究, 已经发展成为图像处理领域的一个重要的研究方向^[2]。

传统的超分辨率复原技术主要分为基于重建的方法和基于学习的方法。基于重建的超分辨率复原方法主要包括频域方法，非均匀图像插值方法，凸集投影方法，最大后验概率方法等。基于学习的超分辨率复原方法主要包括基于示例的方法、基于流形学习的方法, 基于稀疏表示的方法等。

而基于深度学习的超分辨率技术研究则在最近几年刚刚兴起。