超分辨率重建的各种已存在的方法

资 源 简 介

超分辨率重建的各种已存在的方法

详 情 说 明

超分辨率重建技术旨在从低分辨率图像中恢复高分辨率细节，其核心方法可分为传统算法和现代深度学习两大类。

运动估计法（如Keren等人提出的算法） 这类方法通过分析连续帧间的亚像素级运动位移，建立多帧间的非冗余信息关联。典型实现包括基于光流的运动补偿和基于块匹配的配准技术，通过时域信息融合提升重建精度，尤其适用于视频序列的超分辨率。

经典重建方法 插值法：双三次插值、Lanczos重采样等通过邻域像素加权计算新像素值，计算简单但易产生边缘模糊。 频域法：利用离散傅里叶变换将图像分解到频率空间，通过逆变换实现分辨率提升，对周期性纹理效果显著。 正则化方法：如Tikhonov正则化通过引入先验约束解决病态反问题，抑制噪声放大。 稀疏表示：基于字典学习的稀疏编码，通过训练的高低频 patch 对应关系恢复细节。

深度学习方法 以SRCNN、EDSR等网络为代表，通过端到端训练学习低分辨率到高分辨率的非线性映射。当前主流模型采用残差连接、注意力机制等结构，在PSNR和视觉感知质量上显著超越传统方法。

技术发展趋势正从单一图像重建转向结合时域信息的多模态融合，同时轻量化模型部署成为实际应用的关键研究方向。