圖像超分辨率（SR）研究已經利用深度學習技術取得了重大進展，本文旨在系統性地綜述這些進展。作者將 SR 研究分為三大類：監督 SR、無監督 SR 以及特定領域的 SR。此外，本文還介紹了這一領域常用的公共開源基準數據集和性能評估指標，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。它在現實世界中有著廣泛的應用，如醫學成像、監控和安全等。除了改善圖像的感知質量，它還有助于改善其它計算機視覺任務。總的來說，由于單個 LR 圖像通常對應多個 HR 圖像，因此這個問題比較具有挑戰性。以往的文獻中提到了多種經典的 SR 方法，包括基于預測的方法、基于邊緣的方法、統計方法、基于 patch 的方法和稀疏表征方法等。

隨著近年來深度學習技術的快速發展，研究人員積極地探索基于深度學習的 SR 模型，且該模型經常在各種 SR 基準測試上達到當前最佳水平。各種深度學習方法被用來解決 SR 問題，包括早期基于卷積神經網絡的方法和近期使用生成對抗網絡的 SR 方法。一般來說，使用深度學習技術的 SR 算法在以下主要方面有所不同：不同的網絡架構、不同的損失函數、不同的學習原則和策略等。

本文全面綜述了圖像超分辨率使用深度學習所取得的最新進展。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習的 SR 技術，而早期的概述重點在于傳統的 SR 算法，或者有些概述是基于完全參考指標或人類視覺感知來提供定量評估。與現有的概述不同，本文以系統和全面的方式采取了一種基于深度學習的獨特視角來回顧 SR 技術的最新進展。

本文主要貢獻如下：

全面回顧了基于深度學習的圖像超分辨率技術，包括問題設置、基準數據集、性能度量、一系列基于深度學習的 SR 方法、特定領域的 SR 應用等。

以分層和結構化的方式系統回顧了基于深度學習的 SR 技術的最新進展，總結了有效 SR 方案每個部分的優勢和局限性。

討論了當前的挑戰和開放性問題，確認了新的發展趨勢和未來方向，為該社區提供了見解和指導。

接下來本文將描述基于深度學習的圖像超分辨率最新進展的各個方面。圖 1 以分級結構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據集和評估指標。第三部分模塊化地分析了監督超分辨率的主要組成部分。第四部分簡要介紹了無監督超分辨率方法。第五部分介紹了特定領域流行的一些 SR 應用，第六部分討論了 SR 技術的未來發展方向和開放性問題。

圖 1：本綜述的結構圖

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。近幾年來，圖像超分辨率研究已經利用深度學習技術取得了重大進展。文本旨在系統性綜述圖像超分辨率技術利用深度學習技術所取得的最新進展。總體來看，現有的 SR 技術研究大體可以分為三大類：監督 SR、無監督 SR 以及特定領域的 SR。除此之外，本文還介紹了其他一些重要內容，如公共開源基準數據集和性能評估指標。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。

超分辨率研究數據集

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

表 1：用于超分辨率基準的公共圖像數據集

監督超分辨率

已有研究人員提出了很多利用深度學習的超分辨率模型。這些模型主要關注監督超分辨率，即同時利用 LR 圖像和相對應的 ground truth HR 圖像進行訓練。盡管這些模型之間的差別非常大，但它們本質上是一套組件的組合，如模型框架、上采樣方法、網絡設計、學習策略等。從這個角度來看，研究人員組合了這些組件來構建一個整合的 SR 模型，以實現特定目的。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它們的優缺點。

圖 2：基于深度學習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）。灰色四邊形表示預定義的上采樣運算，綠色和黃色四邊形分別表示可學習的上采樣或下采樣層。藍色框表示卷積層，虛線框內的部分表示可以堆疊在框架內的模塊。

圖 3：網絡設計策略

無監督超分辨率

現有的超分辨率研究重點是監督學習，即利用 LR-HR 圖像對學習 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 數據集中的 LR 圖像往往是通過對 HR 圖像進行預定義的降級來獲得的。因此，在這些數據集上訓練的 SR 模型更有可能學習預定義降級的可逆流程。為了避免預定義降級帶來的不良影響，研究人員越來越關注無監督超分辨率，用于訓練的圖像只有 HR 或 LR 的非配對圖像，因此得到的模型更擅長解決實際應用中的 SR 問題。

特定領域的應用

1、深度圖超分辨率

深度圖記錄了場景中視點和目標之間的距離，深度信息在姿態估計 [150], [151], [152]、語義分割 [153], [154] 等許多任務中發揮著重要作用。然而，由于生產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，FH）通常有助于完成其它與人臉相關的任務 [6], [72], [73], [162]。與一般圖像相比，人臉圖像擁有更多與人臉相關的結構化信息，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 [174], [175], [176], [177]。然而，由于硬件限制，不僅是搜集高質量 HSI 比搜集 PAN 難度更大，搜集到的 HSI 分辨率也要更低。因此，該領域引入了超分辨率，研究人員往往將 HR PAN 與 LR HSI 相結合來預測 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，該領域不僅有幀內空間依賴，還有幀間時間依賴（如運動、亮度和顏色變化）。因此，現有研究主要關注更好地利用時空依賴，包括明確的運動補償（如光流算法、基于學習的方法）和循環方法等。

5、其它應用

基于深度學習的超分辨率也被應用到其它特定領域的應用中，而且表現出色。尤其是，RACNN[197] 利用 SR 模型增強了用于細粒度分類的 LR 圖像細節的可辨性。類似地，感知 GAN[198] 通過超分辨小目標的表征解決了小目標檢測問題，實現了與大目標相似的特征，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，將質量較差的原始特征轉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 技術在若干視覺應用中的有效性和有用性，包括邊緣檢測、語義分割、數字和場景識別。Huang 等人 [200] 開發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中具有亞像素準確率的 HR 圖像。

總結當下，放眼未來

1、網絡設計

良好的網絡設計不僅決定了具有很高性能上限的假設空間，還有助于在沒有過多空間和計算冗余的情況下高效地學習數據表征。下面我們將介紹一些有前景的網絡改進方向：

結合局部信息和全局信息

結合低級和高級信息

針對特定上下文的注意力

輕量級架構

上采樣層

2、學習策略

除了良好的假設空間，魯棒的學習策略也是實現令人滿意的結果所必需的。下面我們將介紹一些不錯的學習策略。

損失函數。現有的損失函數可視作在 LR/HR/SR 圖像之間建立約束，并根據這些約束是否得到滿足來指導優化。實際上，這些損失函數通常是加權組合的，對 SR 來說最佳的損失函數仍然未明。因此，最有前景的方向之一是探索這些圖像之間的潛在關聯并尋求更精確的損失函數。

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

3、評估指標

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

更精確的指標。超分辨率圖像中使用最廣泛的指標是 PSNR 和 SSIM。然而，PSNR 往往會導致過度平滑，且結果在幾乎無法區分的圖像之間差異很大。SSIM 在亮度、對比度和結構方面進行評估，但仍然無法準確測量圖像的感知質量。此外，MOS 最接近人類視覺反應，但需要大量人力和精力，且不可復制。因此，迫切需要更精確的指標來評估重建圖像的質量。

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

4、無監督超分辨率

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建 SR 數據集。但是，在這些數據集上訓練的 SR 模型可能僅學習了預定義降級的可逆過程。因此，如何執行無監督超分辨率（即在沒有配對 LR-HR 圖像的數據集上訓練）是未來發展的一個可行方向。

5、實際應用方向

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

處理多種降級問題。實際應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，在人為降級的數據集上訓練的模型在現實應用中往往表現不佳。研究人員已經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，如訓練難度大、過于完美的假設。這一問題亟待解決。

特定領域的應用。超分辨率不僅可以直接應用于特定領域的數據和場景，還對其它視覺任務有很大幫助。因此，將 SR 應用于更多的特定領域也是一個有前景的方向，如視頻監控、人臉識別、目標跟蹤、醫學成像、場景渲染等。

多尺度超分辨率。多數現有 SR 模型以固定的比例因子來執行 SR。但在實際應用中我們經常要以任意比例因子來執行官 SR，因此，開發多尺度超分辨率的單個模型也是一個潛在的發展方向。