针对彩色图像引导的深度图像超分辨率重建算法中存在的纹理转移和深度流失的问题，提出一种基于双特征融合引导的深度图像超分辨率重建网络（DF-Net）。为了充分利用深度和强度特征的关联性，在网络模型的深度恢复重建部分采用双通道融合模块（DCM）和双特征引导重建模块（DGM）。利用输入金字塔结构提取深度信息和强度信息的多尺度特征：DCM基于通道注意力机制对深度特征和强度特征进行通道间的特征融合与增强；DGM将深度、强度特征自适应选择融合后实现重建的双特征引导，增加了深度特征的引导作用，改善了纹理转移和深度流失的问题。实验结果表明，所提方法的峰值信噪比（PSNR）和均方根误差（RMSE）优于RMRF、JBU和Depth-Net等方法，尤其4×超分辨率重建结果的PSNR值比其他方法平均提升6.79 dB，RMSE平均下降0.94，取得了较好的深度图像超分辨率重建效果。

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。

传统的基于CNN的方法在对低分辨率图像进行重构处理过程中, 并未将图像中的低频结构信息和高频细节信息进行区别处理, 且网络的层与层之间缺乏信息交流, 从而造成高分辨率重建图像结果中出现信息缺失。为获取更多图像各层次特征的结构与细节信息, 本文构建了基于小波域的残差密集网络(WRDSR)。该网络在二维离散小波变换形成的小波域内, 利用密集连接和残差连接对图像不同频率的信息进行充分提取后, 将融合后的特征输入到亚像素卷积层生成高分辨率图像的小波子带图像, 最后通过二维离散小波逆变换生成高分辨率图像。与Bicubic、SRCNN、VDSR、LapSRN、DWSR、SDSR等算法相比, WRDSR在评价指标PSNR/SSIM上平均提高了2.824 dB/0.059 5、0.747 dB/0.016 8、0.016 dB/0.002 4、0.025 dB/0.004 3、0.21 dB/0.004 7和0.20 dB/0.005 7, 在更高效地利用原始图像信息的同时, 解决了信息缺失的问题, 使得重建图像的纹理更清晰, 细节更丰富, 视觉效果更佳。

21世纪初诞生的超分辨光学成像技术在生命科学研究中发挥着巨大作用,极大地增强了人们探索微纳尺度亚细胞结构的能力,然而这些成像技术往往耗时长,成本高。如今,许多研究者致力于基于深度学习的图像超分辨重建算法的研究中。利用自主搭建的随机光学重构超分辨显微镜获得细胞微管骨架超分辨图像,然后采用双线性插值降采样法处理得到低分辨率输入图集,再分别使用传统的三次样条插值法和增强型深度超分辨率神经网络进行学习训练,实现低分辨率图像的超分辨重建。结果表明:通过深度学习所重建的各种降采样的图像效果均优于采用传统插值法得到的图像效果,尤其是二倍降采样重建图像在主观和客观评价指标上可比拟实验获得的微管骨架超分辨图像。基于增强型深度超分辨率神经网络的细胞骨架图像超分辨重建有望提供一种简捷、有效和高性价比的成像方法,可应用于对细胞骨架超微结构的快速预测。

在图像超分辨率重建问题中, 许多基于深度学习的方法大多采用传统的均方误差 (MSE)作为损失函数, 重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题, 本文对传统的均方误差损失函数进行改进, 提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于 DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入, 计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明, 本文提出的方法在主观视觉效果和 PSRN、SSIM上均有所提升。

提出一种可用于改进图像超分辨率重建质量的双判别器超分辨率重建网络(DDSRRN)。该网络在生成式对抗网络(GAN)的基础上增加一个判别器,将Kullback-Leibler(KL)和反向KL散度组合成一个统一的目标函数来训练两个判别器,利用这两种散度的互补统计特性,能在多模式下分散预估计密度,从而避免重建过程中网络模型的崩溃问题,提高模型训练的稳定性。针对模型损失函数的设计部分,首先使用Charbonnier损失函数来构建内容损失,利用网络中间层的特征信息来设计感知损失和风格损失,最后为缩减图像重建时间,在网络结构中引入反卷积来完成图像重建操作。实验结果表明本文方法在主观视觉上具有丰富的细节,获得了更好的主观视觉评价和客观量化评价,网络泛化能力好。

为了进一步提高遥感图像超分辨效果, 提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题, 本文改进了特征提取算子, 以对称近邻滤波(SNN)代替高斯滤波, 重点解决特征空间中的字典学习问题。首先, 根据遥感图像退化模型生成训练样本图像, 并分别对高、低分辨率遥感图像进行7×7分块, 生成字典训练样本。然后, 建立连接高、低分辨率图像空间的双参数联合稀疏字典, 将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积, 依据字典原子指标训练和更新字典, 得到高低分辨率联合字典映射矩阵。最后, 进行遥感图像超分辨稀疏重构。实验结果表明: 与当前最先进的稀疏表示超分辨算法相比, 本文算法得到的超分辨重建遥感图像的主观效果更好, 恢复出更多的地物细节信息; 客观评价参数峰值信噪比(PSNR)提高约1.7 dB, 结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果, 同时降低重建时间。

水下成像技术在诸多领域获得了越来越多的应用,然而由于受到成像器件参数、水体特性等成像系统参数的影响,水下图像的分辨率普遍较低、像质较差。基于包括点扩散函数、衍射极限等水下成像系统模型的图像超分辨率重建技术,能够在提高图像分辨率的同时增强图像质量。为了尽可能提高图像分辨率,建立了基于光束传播理论的超分辨率成像模型,并将其应用于水下脉冲激光距离选通成像结果图像的超分辨率重构。重构实验的结果表明,所提出的方法可以有效地提高水下成像的分辨率和质量。

ⅹ稀疏表示法在单幅图像超分辨率重建问题中受到广泛的关注。本文介绍了一种使用稀疏表示进行超分辨率图像重建的方案。该方案首先由低分辨率的输入图像块求取稀疏表示系数，然后根据此系数生成对应的高分辨率图像块，最后由高分辨率块重建出整幅图像。在求取稀疏表示系数时，本文采用了一种借助预处理共轭梯度算法计算搜索方向的内点方法。仿真结果表明，本方案在视觉感受和客观量化两方面都比现有的双三次插值法和最小角度回归(LARS)法具有更好的性能。与双三次插值法和LARS 法相比，本方法所得图像的均方根误差(RMSE)值通常可以分别改善0.29 和0.7。