基于深度学习的图像超分重建研究综述.docVIP

基于深度学习的图像超分重建研究综述

一、深度学习图像超分重建的核心方法体系

图像超分辨率重建（Super-Resolution,SR）的核心目标是从低分辨率（Low-Resolution,LR）图像中恢复出高分辨率（High-Resolution,HR）图像，解决成像设备物理限制、压缩传输损失、环境噪声干扰等导致的图像细节丢失问题。深度学习技术的引入彻底突破了传统插值、稀疏编码、字典学习等方法的性能瓶颈，目前主流的深度学习超分方法可分为四大类架构。

基于卷积神经网络（CNN）的方法是当前工业界应用最广泛的分支。2014年提出的SRCNN首次将深度学习引入超分领域，仅用三层卷积层实现了端到端的LR到HR映射，其PSNR（峰值信噪比）指标较传统方法提升了0.15-0.3dB，奠定了深度学习超分的基础框架。后续SRResNet通过引入残差连接解决了深度网络训练中的梯度消失问题，将网络深度提升到16层，细节恢复能力进一步增强。EDSR则进一步移除了残差模块中的批量归一化层，减少了特征信息损失，在Set5数据集上的4倍超分任务中PSNR达到32.46dB，成为CNN架构的经典标杆。这类方法的优势是推理速度快、部署成本低，目前已广泛应用于手机相册超清修复、视频平台实时画质增强等场景，例如某主流手机厂商的相册修复功能即采用轻量化的EDSR变种模型，单张1080P图像推理时间仅需0.2秒。