基于多任务学习的图像超分辨率与去噪联合结题报告.docVIP

基于多任务学习的图像超分辨率与去噪联合结题报告

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（ImageSuper-Resolution,ISR）和图像去噪（ImageDenoising,ID）是两个经典且至关重要的研究方向。图像超分辨率旨在通过算法将低分辨率（Low-Resolution,LR）图像恢复为高分辨率（High-Resolution,HR）图像，解决图像采集、传输或存储过程中因硬件限制、带宽不足等导致的细节丢失问题；图像去噪则专注于去除图像中的各类噪声，如高斯噪声、椒盐噪声、泊松噪声等，提升图像的视觉质量和后续分析的准确性。

传统的图像处理方法中，超分辨率与去噪通常被视为两个独立的任务进行研究和实现。例如，在超分辨率任务中，早期的插值方法（如双线性插值、双三次插值）仅通过简单的像素填充实现分辨率提升，无法有效恢复图像细节；基于稀疏表示的方法虽然在细节恢复上有一定进步，但计算复杂度高，难以满足实时处理需求。在去噪任务中，经典的维纳滤波、中值滤波等方法对特定类型的噪声有较好的去除效果，但面对复杂噪声场景时，容易导致图像边缘模糊和细节丢失。

随着深度学习技术的兴起，基于卷积神经网络（ConvolutionalNeuralNetwork,CNN）的方法在图像超分辨率和去噪任务中取得了突破性进展。例如，SRCNN（Super-Resolution