基于图像类推的单幅图像超分辨率算法的中期报告.docx

基于图像类推的单幅图像超分辨率算法的中期报告 本文的主题是单幅图像超分辨率算法。超分辨率（SR）是通过从低分辨率（LR）图像中结合其他信息，如预测或更高分辨率（HR）图像中的数据，来增加LR图像的分辨率。SR对于许多计算机视觉应用很重要，如图像增强，放大和重建。 超分辨率算法可分为两类：基于插值的算法和基于学习的算法。前者涉及将LR图像进行插值，而后者则通过深度学习从训练数据中获得LR和HR图像之间的映射。 现有的学习算法可以分为基于稀疏表示，基于纹理，基于深度学习和深度残差网络。在本文中，我们重点介绍了基于深度学习的方法，其中使用了卷积神经网络（CNN）。 在这些方法中，训练数据通常由LR / HR图像对或LR / LR与HR / LR / LR图像对组成。网络结构由卷积、池化和反卷积层组成。许多方法采用了残差学习，通过将LR图像和重建图像之间的残差添加到CNN的输出中。还有其他方法使用GAN（生成式对抗网络）来增强SR质量。 测试SR算法的常用方法是使用定量评估指标，如PSNR和SSIM。最新算法的主要目标是解决SR中的人脸和自然图像处理，并获得更高的PSNR和更好的视觉质量。 总之，超分辨率是计算机视觉中一个重要的问题。随着机器学习技术的发展，基于深度学习的SR算法正在逐渐成为主流。未来将会有更多的研究聚焦于SR算法，在SR领域的研究会加速发展。