基于深度学习的图像超分辨率重建方法综述

图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显著的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.     

基于边缘增强总变分正则化盲泊松图像反卷积

针对总变分的方法支持分片常值解,易导致图像内容中的平坦区域出现阶梯效应和纹理及部分细节随着噪声消失等问题,提出基于边缘增强总变分正则化的盲泊松图像反卷积方法.受边缘信息对视觉感知的重要性的影响,提出具有空间自适应性的边缘增强指示算子约束总变分正则化项,并采用双边滤波区分图像内容中的边缘和平坦区域.一系列仿真和真实模糊图像实验表明:提出的方法与其他方法相比具有较好的平滑平坦区域和保边缘的特性.     

基于熵变分的图像去噪模型

针对传统Tikhonov正则化模型存在的不足,根据最大后验概率（MAP）和最大熵的理论,提出了一种基于熵变分的图像去噪模型。该模型利用图像像素点的梯度信息自适应的对带噪图像进行各向异性滤波处理,在去除噪声的同时有效保留了图像的边缘细节。采用变分法推导出了该模型对应的偏微分方程,最后结合梯度加权最速下降法和半点格式的数值迭代算法对方程进行求解。实验结果表明,该模型去噪后的图像比Tikhonov正则化模型具有更好的客观评价指标和主观视觉效果。     

基于变分贝叶斯的视觉散焦光图像快速盲复原算法

为实现数字图像的高精度应用,降低外界光线对视觉成像的影响,提出一种基于变分贝叶斯的视觉散焦光图像快速盲复原算法。通过梯度和卷积处理,计算视觉散焦光图像后验概率期望,利用Sobolev空间函数分布方法提取最优初始图像和散焦光模糊函数先验概率。以变分贝叶斯的近似分布思想,无限逼近实际的后验概率;使用相对熵计算多个分布间距离,最大程度贴近真实值;将最小损耗代价函数输入双边滤波器内,即以近似清晰图像为指导图,剔除剩余高频噪声,得到最优图像盲复原结果。实验结果表明,所提算法盲复原后图像对比度高,边缘细节清晰,复原速度快,具有极高的应用价值。     

深度学习下的高效单幅图像超分辨率重建方法

提出一种基于深度学习的高效单幅图像超分辨率重建方法,增加一个亚像素卷积层和一个替换的级联卷积,即设计一个具有合适深度的卷积神经网络,以保证图像的重建质量,并采用级联小卷积核提高运行速度.在标准的公共数据集上进行实验测试,结果表明:与亚像素卷积神经网络(ESPCN)算法相比,所提算法重建的高分辨率图像的质量和速度皆显著提高;将其应用于实际项目中,可端到端地重建低分辨率服装风格图像,获得高分辨率图像.