实例学习是一种有效的单帧图像超分辨率重建技术，关键在于如何建立低分辨率与高分辨率图像之间的映射关系。许多研究表明，当面对复杂多样的自然图像时，类型单一的回归模型难以重建出理想的高分辨率图像。为此，以A+算法为基础，提出一种基于Boosting集成学习的超分辨率算法，通过不断增强回归模型的互补性，超分辨率重建模型能较好地适用于不同内容的图像。该算法首先利用Boosting思想训练多组具有互补性的子回归器；然后对各组子回归器进行组合，生成泛化能力更强、重建性能更好的集成模型；最后利用级联残差回归策略，采用由粗到精的方式逐渐合成高分辨率图像，以进一步提高超分辨率重建图像的质量。在5个标准数据集上对所提方法和4种基于实例学习的主流超分辨率方法进行了比较，结果表明，所提超分辨率重建方法能够重建出图像边缘更加清晰和纹理细节更加丰富的高质量图像。

针对现存的低照度图像视觉效果差和图像质量低的问题,提出了一种基于级联残差生成对抗网络的低照度图像增强算法,该算法将构建的级联残差卷积神经网络作为生成器网络和改进的PatchGAN作为判别器网络。首先根据Retinex理论,通过正常照度图像合成训练样本,再将低照度图像从RGB空间转换到HSV颜色空间,保持色调分量和饱和度分量不变,利用级联残差生成器网络对亮度分量增强。通过判别器网络监督生成器网络不断增强低照度图像,二者相互博弈,最终使生成器网络具备较好的低照度图像增强的能力。实验结果表明,本文增强算法在合成的低照度图像和自然的低照度图像上,获得了更为良好的视觉效果和对比度,特别在合成的低照度图像上,其峰值信噪比和结构相似度明显优于其他对比算法。