圖像超分辨率（SR）研究已經(jīng)利用深度學(xué)習(xí)技術(shù)取得了重大進展,，本文旨在系統(tǒng)性地綜述這些進展,。作者將 SR 研究分為三大類：監(jiān)督 SR、無監(jiān)督 SR 以及特定領(lǐng)域的 SR,。此外,，本文還介紹了這一領(lǐng)域常用的公共開源基準(zhǔn)數(shù)據(jù)集和性能評估指標(biāo),，并指出了未來的幾個方向以及一些待解決的問題,。

圖像超分辨率（SR）是指從低分辨率（LR）圖像中恢復(fù)高分辨率（HR）圖像的過程,，是計算機視覺和圖像處理中一種重要的圖像處理技術(shù)。它在現(xiàn)實世界中有著廣泛的應(yīng)用,，如醫(yī)學(xué)成像,、監(jiān)控和安全等。除了改善圖像的感知質(zhì)量,，它還有助于改善其它計算機視覺任務(wù),。總的來說,，由于單個 LR 圖像通常對應(yīng)多個 HR 圖像,，因此這個問題比較具有挑戰(zhàn)性。以往的文獻中提到了多種經(jīng)典的 SR 方法,，包括基于預(yù)測的方法,、基于邊緣的方法、統(tǒng)計方法,、基于 patch 的方法和稀疏表征方法等,。

隨著近年來深度學(xué)習(xí)技術(shù)的快速發(fā)展，研究人員積極地探索基于深度學(xué)習(xí)的 SR 模型,，且該模型經(jīng)常在各種 SR 基準(zhǔn)測試上達到當(dāng)前最佳水平,。各種深度學(xué)習(xí)方法被用來解決 SR 問題，包括早期基于卷積神經(jīng)網(wǎng)絡(luò)的方法和近期使用生成對抗網(wǎng)絡(luò)的 SR 方法,。一般來說,，使用深度學(xué)習(xí)技術(shù)的 SR 算法在以下主要方面有所不同：不同的網(wǎng)絡(luò)架構(gòu)、不同的損失函數(shù),、不同的學(xué)習(xí)原則和策略等,。

本文全面綜述了圖像超分辨率使用深度學(xué)習(xí)所取得的最新進展。雖然目前已有的文獻中有對超分辨率的概述,，但本文的概括有所不同：本文的重點在于基于深度學(xué)習(xí)的 SR 技術(shù),，而早期的概述重點在于傳統(tǒng)的 SR 算法，或者有些概述是基于完全參考指標(biāo)或人類視覺感知來提供定量評估,。與現(xiàn)有的概述不同,，本文以系統(tǒng)和全面的方式采取了一種基于深度學(xué)習(xí)的獨特視角來回顧 SR 技術(shù)的最新進展。

本文主要貢獻如下：

全面回顧了基于深度學(xué)習(xí)的圖像超分辨率技術(shù),，包括問題設(shè)置,、基準(zhǔn)數(shù)據(jù)集、性能度量,、一系列基于深度學(xué)習(xí)的 SR 方法,、特定領(lǐng)域的 SR 應(yīng)用等,。

以分層和結(jié)構(gòu)化的方式系統(tǒng)回顧了基于深度學(xué)習(xí)的 SR 技術(shù)的最新進展，總結(jié)了有效 SR 方案每個部分的優(yōu)勢和局限性,。

討論了當(dāng)前的挑戰(zhàn)和開放性問題,，確認了新的發(fā)展趨勢和未來方向，為該社區(qū)提供了見解和指導(dǎo),。

接下來本文將描述基于深度學(xué)習(xí)的圖像超分辨率最新進展的各個方面,。圖 1 以分級結(jié)構(gòu)的方式列出了本文的概況。第二部分討論了問題定義并回顧了主流的數(shù)據(jù)集和評估指標(biāo),。第三部分模塊化地分析了監(jiān)督超分辨率的主要組成部分,。第四部分簡要介紹了無監(jiān)督超分辨率方法。第五部分介紹了特定領(lǐng)域流行的一些 SR 應(yīng)用,，第六部分討論了 SR 技術(shù)的未來發(fā)展方向和開放性問題,。

圖 1：本綜述的結(jié)構(gòu)圖

論文：Deep Learning for Image Super-resolution: A Survey

論文地址：https://arxiv.org/abs/1902.06068

摘要：圖像超分辨率（SR）是計算機視覺中增強圖像和視頻分辨率的一類重要圖像處理技術(shù)。近幾年來,，圖像超分辨率研究已經(jīng)利用深度學(xué)習(xí)技術(shù)取得了重大進展,。文本旨在系統(tǒng)性綜述圖像超分辨率技術(shù)利用深度學(xué)習(xí)技術(shù)所取得的最新進展?？傮w來看,，現(xiàn)有的 SR 技術(shù)研究大體可以分為三大類：監(jiān)督 SR、無監(jiān)督 SR 以及特定領(lǐng)域的 SR,。除此之外,，本文還介紹了其他一些重要內(nèi)容，如公共開源基準(zhǔn)數(shù)據(jù)集和性能評估指標(biāo),。最后，本文還指出了未來的幾個方向以及一些待解決的問題,。

超分辨率研究數(shù)據(jù)集

目前有很多用于圖像超分辨率研究的數(shù)據(jù)集,，它們在圖像數(shù)量、質(zhì)量,、分辨率,、多樣性等方面存在很大的差異。其中一些數(shù)據(jù)集提供 LR-HR 圖像對,，而有些僅提供 HR 圖像,，其中的 LR 圖像通常由 MATLAB 中默認設(shè)置的 imresize 函數(shù)獲得。表 1 列出了 SR 社區(qū)常用的一些圖像數(shù)據(jù)集,，詳細地寫明了其包含的 HR 圖像數(shù)量,、平均分辨率、像素平均數(shù),、圖像格式和分類關(guān)鍵詞等,。

表 1：用于超分辨率基準(zhǔn)的公共圖像數(shù)據(jù)集

監(jiān)督超分辨率

已有研究人員提出了很多利用深度學(xué)習(xí)的超分辨率模型,。這些模型主要關(guān)注監(jiān)督超分辨率，即同時利用 LR 圖像和相對應(yīng)的 ground truth HR 圖像進行訓(xùn)練,。盡管這些模型之間的差別非常大,，但它們本質(zhì)上是一套組件的組合，如模型框架,、上采樣方法,、網(wǎng)絡(luò)設(shè)計、學(xué)習(xí)策略等,。從這個角度來看,，研究人員組合了這些組件來構(gòu)建一個整合的 SR 模型，以實現(xiàn)特定目的,。本章將著重對基本組件進行模塊化分析（見圖 1）,，而不是單獨介紹每個模型并總結(jié)它們的優(yōu)缺點。

圖 2：基于深度學(xué)習(xí)的超分辨率模型框架,。這些四邊形顯示了上/下采樣運算（取決于它們的方向）,。灰色四邊形表示預(yù)定義的上采樣運算,，綠色和黃色四邊形分別表示可學(xué)習(xí)的上采樣或下采樣層,。藍色框表示卷積層，虛線框內(nèi)的部分表示可以堆疊在框架內(nèi)的模塊,。

圖 3：網(wǎng)絡(luò)設(shè)計策略

無監(jiān)督超分辨率

現(xiàn)有的超分辨率研究重點是監(jiān)督學(xué)習(xí),，即利用 LR-HR 圖像對學(xué)習(xí) LR 到 HR 圖像的映射。然而,，由于獲取同一個場景的不同分辨率圖像難度較大,，SR 數(shù)據(jù)集中的 LR 圖像往往是通過對 HR 圖像進行預(yù)定義的降級來獲得的。因此,，在這些數(shù)據(jù)集上訓(xùn)練的 SR 模型更有可能學(xué)習(xí)預(yù)定義降級的可逆流程,。為了避免預(yù)定義降級帶來的不良影響，研究人員越來越關(guān)注無監(jiān)督超分辨率,，用于訓(xùn)練的圖像只有 HR 或 LR 的非配對圖像,，因此得到的模型更擅長解決實際應(yīng)用中的 SR 問題。

特定領(lǐng)域的應(yīng)用

1,、深度圖超分辨率

深度圖記錄了場景中視點和目標(biāo)之間的距離,，深度信息在姿態(tài)估計 [150], [151], [152]、語義分割 [153], [154] 等許多任務(wù)中發(fā)揮著重要作用,。然而,，由于生產(chǎn)力和成本方面的限制，由深度傳感器生成的深度圖通常分辨率較低,，并飽受噪聲,、量化,、缺失值等方面的降級影響。為了提高深度圖的空間分辨率,，研究人員引入了超分辨率,。

2、人臉圖像超分辨率

人臉圖像超分辨率（又名 face hallucination,，F(xiàn)H）通常有助于完成其它與人臉相關(guān)的任務(wù) [6], [72], [73], [162],。與一般圖像相比，人臉圖像擁有更多與人臉相關(guān)的結(jié)構(gòu)化信息,，因此將人臉先驗知識整合到 FH 中是一種非常流行且頗有前景的方法,。

3、超光譜圖像超分辨率

與全色圖像（panchromatic image,，PAN）相比,，超光譜圖像（HSI）包含數(shù)百個波段的高光譜圖像，能夠提供豐富的光譜特征,，幫助完成許多視覺任務(wù) [174], [175], [176], [177],。然而，由于硬件限制,，不僅是搜集高質(zhì)量 HSI 比搜集 PAN 難度更大,，搜集到的 HSI 分辨率也要更低。因此,，該領(lǐng)域引入了超分辨率,，研究人員往往將 HR PAN 與 LR HSI 相結(jié)合來預(yù)測 HR HSI。

4,、視頻超分辨率

在視頻超分辨率中,，多個幀可以提供更多的場景信息，該領(lǐng)域不僅有幀內(nèi)空間依賴,，還有幀間時間依賴（如運動,、亮度和顏色變化）。因此,，現(xiàn)有研究主要關(guān)注更好地利用時空依賴,，包括明確的運動補償（如光流算法,、基于學(xué)習(xí)的方法）和循環(huán)方法等,。

5、其它應(yīng)用

基于深度學(xué)習(xí)的超分辨率也被應(yīng)用到其它特定領(lǐng)域的應(yīng)用中,，而且表現(xiàn)出色,。尤其是，RACNN[197] 利用 SR 模型增強了用于細粒度分類的 LR 圖像細節(jié)的可辨性,。類似地,，感知 GAN[198] 通過超分辨小目標(biāo)的表征解決了小目標(biāo)檢測問題,，實現(xiàn)了與大目標(biāo)相似的特征，檢測更具可辨性,。FSR-GAN[199] 超分辨化了特征空間而非像素空間中的小圖像,，將質(zhì)量較差的原始特征轉(zhuǎn)換成了可辨性更高的特征，這對圖像檢索非常有利,。此外,，Dai 等人 [7] 驗證了 SR 技術(shù)在若干視覺應(yīng)用中的有效性和有用性，包括邊緣檢測,、語義分割,、數(shù)字和場景識別。Huang 等人 [200] 開發(fā)了專門用于超分辨率遙感圖像的 RS-DRL,。Jeon 等人 [201] 利用立體圖像中的視差先驗來重建配準(zhǔn)中具有亞像素準(zhǔn)確率的 HR 圖像,。

總結(jié)當(dāng)下，放眼未來

1,、網(wǎng)絡(luò)設(shè)計

良好的網(wǎng)絡(luò)設(shè)計不僅決定了具有很高性能上限的假設(shè)空間,，還有助于在沒有過多空間和計算冗余的情況下高效地學(xué)習(xí)數(shù)據(jù)表征。下面我們將介紹一些有前景的網(wǎng)絡(luò)改進方向：

結(jié)合局部信息和全局信息

結(jié)合低級和高級信息

針對特定上下文的注意力

輕量級架構(gòu)

上采樣層

2,、學(xué)習(xí)策略

除了良好的假設(shè)空間,，魯棒的學(xué)習(xí)策略也是實現(xiàn)令人滿意的結(jié)果所必需的。下面我們將介紹一些不錯的學(xué)習(xí)策略,。

損失函數(shù)?，F(xiàn)有的損失函數(shù)可視作在 LR/HR/SR 圖像之間建立約束，并根據(jù)這些約束是否得到滿足來指導(dǎo)優(yōu)化,。實際上,，這些損失函數(shù)通常是加權(quán)組合的，對 SR 來說最佳的損失函數(shù)仍然未明,。因此,，最有前景的方向之一是探索這些圖像之間的潛在關(guān)聯(lián)并尋求更精確的損失函數(shù)。

歸一化,。雖然 BN 被廣泛用于視覺任務(wù)中,，大大加快了訓(xùn)練并提高了模型性能，但它對于超分辨率技術(shù)來說仍是次優(yōu)策略,。因此需要研究其它有效的 SR 歸一化技術(shù),。

3、評估指標(biāo)

評估指標(biāo)是機器學(xué)習(xí)最基本的組成部分之一,。如果指標(biāo)不能準(zhǔn)確測量模型性能,，研究者就很難驗證其進步。超分辨率圖像的評估指標(biāo)同樣面臨這樣的挑戰(zhàn)，因此需要進行更多的探索,。

更精確的指標(biāo),。超分辨率圖像中使用最廣泛的指標(biāo)是 PSNR 和 SSIM。然而,，PSNR 往往會導(dǎo)致過度平滑,，且結(jié)果在幾乎無法區(qū)分的圖像之間差異很大。SSIM 在亮度,、對比度和結(jié)構(gòu)方面進行評估,，但仍然無法準(zhǔn)確測量圖像的感知質(zhì)量。此外,，MOS 最接近人類視覺反應(yīng),，但需要大量人力和精力，且不可復(fù)制,。因此,，迫切需要更精確的指標(biāo)來評估重建圖像的質(zhì)量。

盲 IQA 方法,。如今,，用于 SR 的大多數(shù)指標(biāo)都是完全參考（all-reference）方法，即假設(shè)我們已將 LR-HR 圖像以完美的質(zhì)量配對,。但此類數(shù)據(jù)集難以獲取,，因為用于評估的數(shù)據(jù)集通常是通過人工降級獲得的。在這種情況下,，我們對其執(zhí)行評估的任務(wù)實際上是預(yù)定義降級的逆過程,。因此，開發(fā)盲 IQA 方法也有很大的需求,。

4,、無監(jiān)督超分辨率

如第四部分所述，在相同的場景中收集不同分辨率的圖像比較難,，因此雙三插值被廣泛用于創(chuàng)建 SR 數(shù)據(jù)集,。但是，在這些數(shù)據(jù)集上訓(xùn)練的 SR 模型可能僅學(xué)習(xí)了預(yù)定義降級的可逆過程,。因此,，如何執(zhí)行無監(jiān)督超分辨率（即在沒有配對 LR-HR 圖像的數(shù)據(jù)集上訓(xùn)練）是未來發(fā)展的一個可行方向。

5,、實際應(yīng)用方向

圖像超分辨率在實際應(yīng)用中受到很大限制,，如遭遇未知的降級因子，丟失配對 LR-HR 圖像等,。以下是 SR 在實際應(yīng)用中的一些發(fā)展方向：

處理多種降級問題,。實際應(yīng)用中的圖像往往會遭遇未知的降級問題，如噪聲增多,、壓縮人為問題和模糊等,。因此，在人為降級的數(shù)據(jù)集上訓(xùn)練的模型在現(xiàn)實應(yīng)用中往往表現(xiàn)不佳,。研究人員已經(jīng)提出了一些方法來解決這一問題,，但這些方法有一些先天缺陷，如訓(xùn)練難度大,、過于完美的假設(shè),。這一問題亟待解決。

特定領(lǐng)域的應(yīng)用,。超分辨率不僅可以直接應(yīng)用于特定領(lǐng)域的數(shù)據(jù)和場景,，還對其它視覺任務(wù)有很大幫助。因此,，將 SR 應(yīng)用于更多的特定領(lǐng)域也是一個有前景的方向,，如視頻監(jiān)控、人臉識別,、目標(biāo)跟蹤,、醫(yī)學(xué)成像、場景渲染等,。

多尺度超分辨率,。多數(shù)現(xiàn)有 SR 模型以固定的比例因子來執(zhí)行 SR。但在實際應(yīng)用中我們經(jīng)常要以任意比例因子來執(zhí)行官 SR,，因此,，開發(fā)多尺度超分辨率的單個模型也是一個潛在的發(fā)展方向。