基于深度学习的图像超分辨率研究综述

摘要：

超分辨率(SR)是一类重要的数字图像处理技术,其根据一个观测者得到的低分辨率(LR)图像重建并输出一个相应的高分辨率(HR)图像,从而提高现代数字图像的分辨率.SR在数字图像压缩与传输、医学成像、遥感成像、视频感知与监控等学科中的研究与应用价值巨大.随着深度学习的快速发展,结合最新的深度学习方法,可以为SR问题提供创新性的解决方案.首先回顾SR的背景意义、发展过程以及将深度学习应用于SR的技术价值.其次简要介绍传统SR算法的基本方法、分类和优缺点;按照不同的实现技术和网络类型对基于深度学习的SR方法进行了分类介绍,重点分析对比了卷积神经网络(CNN)、残差网络(ResNet)和生成对抗网络(GAN)在SR中的应用.然后介绍主要评价指标和解决策略,并对不同的SR算法在标准数据集中的性能表现进行对比.最后总结基于深度学习的SR算法,并对未来发展趋势进行展望.

关键词：超分辨率、深度学习、评价指标、退化模型、数据集

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

资助基金：陕西省自然科学基础研究计划项目;陕西省自然科学基础研究计划项目;陕西财经职业技术学院高层次人才引进项目

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：1-15