基于对抗生成网络的图像超分辨率重建结题报告.docVIP

基于对抗生成网络的图像超分辨率重建结题报告

一、研究背景与问题提出

在数字图像处理领域，图像超分辨率重建技术旨在将低分辨率（Low-Resolution,LR）图像恢复为高分辨率（High-Resolution,HR）图像，其核心是通过算法补充LR图像中缺失的高频细节信息。随着高清显示设备的普及、计算机视觉任务对图像质量要求的提升，以及安防监控、医学影像、卫星遥感等实际应用场景的需求增长，图像超分辨率重建技术的研究价值愈发凸显。

传统的图像超分辨率方法主要包括基于插值的方法、基于重建的方法和基于学习的方法。基于插值的方法如双线性插值、双三次插值等，通过简单的数学计算对像素点进行填充，虽然计算速度快，但重建后的图像容易出现边缘模糊、锯齿等问题，无法恢复真实的高频细节。基于重建的方法以最大后验概率（MaximumAPosteriori,MAP）为代表，通过建立图像的先验模型来约束重建过程，一定程度上提升了图像质量，但这类方法对先验模型的依赖性较强，且计算复杂度较高。基于学习的方法在大数据的驱动下，通过学习LR图像与HR图像之间的映射关系来实现超分辨率重建，早期的方法主要采用浅层神经网络，虽然在性能上优于传统方法，但在处理复杂场景时仍存在局限性。

近年来，深度学习技术的快速发展为图像超分辨率重建带来了新的突破。2014年，Dong等人提出的超分辨率卷积神经网络（Super-Re