低质量监控频人脸超分辨率.docVIP

选自：低质量监控视频人脸超分辨率 从观测到的低分辨率图像推测合成高分辨率图像是一个典型的病态求逆问题。现有的超分辨率算法试图用不同的方法来解决这个病态问题，超分辨率算法按照技术手段可以分成三类:基于重建的超分辨率算法、基于插值的超分辨算法、基于学习的超分辨率算法。 基于重建的图像超分辨方法需要从同一场景的多帧低分辨率图像中恢复出高分辨率图像。需要对输入的多帧图像进行配准，然后通过多帧信息将低分辨率图像中的像素点安排到高分辨率图像的网格中去，从而实现对低分辨率图像的分辨率增强。基于重建的超分辨方法受到配准精度、降质模型误差和信号噪声的影响，从而导致其重建高分辨率图像的能力受到限制。相关文献己经证明在一般情况下，基于重建的超分辨率算法有效的放大倍数仅为1.6倍。但是基于重建的超分辨率算法有较好的信号还原能力，在图像配准精度较高的遥感图像领域应用范围广泛，取得了良好的重建效果。 基于插值的超分辨率重建的核心思想是将低分辨率图像安排在高分辨率图像的网格，利用邻近插值点像素点计算待插值点的像索值，这类方法的计算复杂度低，容易实现，己经成为应用最为广泛的超分辨率算法。但是，基于插值的方法对噪声比较敏感，对于图像的边缘部分的处理存在过一平滑现象，特别在放大倍数比较大的情况下，难以取得理想的效果。 基于学习的超分辨率算法，这类方法通过样木库中的先验知识来约束重建过程，将机器学习与统计学习的理论