基于生成对抗网络的图像超分辨率重建研究综述.docVIP

基于生成对抗网络的图像超分辨率重建研究综述

1生成对抗网络与图像超分辨率重建基础

生成对抗网络（GAN）由生成器和判别器两个模块构成，二者通过零和博弈不断迭代优化：生成器负责学习真实数据的分布，输出尽可能逼近真实样本的生成结果；判别器则专注于区分输入样本属于真实数据还是生成数据，二者的对抗训练过程最终推动生成器输出足以以假乱真的结果。图像超分辨率重建（SR）的核心目标是将低分辨率（LR）图像通过算法恢复为高分辨率（HR）图像，传统方法如插值法、稀疏编码、基于邻域嵌入的方法往往存在边缘模糊、纹理细节丢失、伪影明显等问题，而GAN的对抗学习特性恰好能弥补这些缺陷，为超分辨率重建带来纹理生成能力的本质提升。

基于GAN的超分辨率框架的基础逻辑是：将LR图像输入生成器，生成器输出对应的超分辨率（SR）图像；随后将SR图像与真实HR图像共同输入判别器，判别器输出样本为真的概率；训练过程中，生成器以“欺骗判别器、让判别器将SR图像判断为真”为目标，判别器以“准确区分SR图像和HR图像”为目标，二者交替更新参数，直到达到纳什均衡。与传统基于像素损失的超分辨率方法相比，GAN引入的对抗损失不再仅约束像素级的数值差异，而是进一步约束图像的特征分布一致性，因此能够生成更丰富的高频纹理细节，更符合人眼视觉感知。

2经典基于GAN的超分辨率算法演进

2.1开创性框架：SRGAN的突破与局限

2016