文献类型：期刊文章

作　　者：张德[1] 林青宇[1] 郭茂祖[1]

ZHANG De;LIN Qingyu;GUO Maozu(School of Electrical and Information Engineering&Beijing Key Laboratory of Intelligent Processing for Building Big Data,Beijing University of Civil Engineering and Architecture,Beijing 100044,China)

机构地区：[1]北京建筑大学电气与信息工程学院&建筑大数据智能处理方法研究北京市重点实验室,北京100044

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(61871020);北京市教育委员会科技计划重点项目(KZ201810016019)。

年　　份：2021

卷　　号：57

期　　号：22

起止页码：28-41

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：图像超分辨重建(Super-Resolution,SR)是指利用信号处理和机器学习等方法,从单幅或者多幅低分辨率图像(LowResolution,LR)中重建对应的高分辨率图像(HighResolution,HR)的技术。由于多幅LR图像之间亚像素位移的不可预知性,单幅图像超分辨重建(SingleImageSuper-Resolution,SISR)逐渐成为超分辨研究的主要方向。近年来,深度学习方法得到迅速发展,并广泛应用到图像处理领域。因此,针对单幅图像超分辨重建所使用的深度学习相关算法和网络模型进行系统的总结。介绍图像超分辨问题的设置和评价指标;讨论和比较单幅图像超分辨重建的深度学习算法,主要从网络结构设计、损失函数和上采样方式三方面进行论述;介绍常用的标准数据集,并选用基于不同网络模型的几种典型算法进行实验对比分析;展望图像超分辨技术未来的研究趋势和发展方向。

关 键 词：图像超分辨  深度学习  卷积神经网络(CNN)  图像处理

分 类 号：TP391]