基于并行映射卷积网络的超分辨率重建算法
计算机视觉中的图像超分辨率重建算法
计算机视觉中的图像超分辨率重建算法随着科技的不断发展，计算机视觉的应用范围也日益扩大。
而在计算机视觉中，图像超分辨率重建算法被广泛应用于提高图像的清晰度和细节。
本文将深入探讨图像超分辨率重建算法的原理、方法和应用。
一、图像超分辨率重建算法的原理图像超分辨率重建算法旨在从低分辨率图像中重建出高分辨率的图像。
其原理基于图像中的高频细节在不同分辨率下的表现，并通过一定的数学模型进行重建。
常见的图像超分辨率重建算法包括插值法、基于学习的方法和基于边缘的方法等。
1. 插值法插值法是最简单直接的图像超分辨率重建方法之一。
它通过对低分辨率图像中的像素进行补充和插值，得到高分辨率的图像。
常见的插值方法有双线性插值、双三次插值等。
插值法的优点是运算速度快，但由于没有充分利用图像的统计信息，在重建图像的细节和纹理方面表现较差。
2. 基于学习的方法基于学习的方法在图像超分辨率重建中得到了广泛应用。
它通过学习训练样本中的图像特征，建立图像重建模型，然后将模型应用于新的图像数据上。
常见的基于学习的方法有稀疏编码法、卷积神经网络等。
这些方法能够充分利用图像的统计信息和局部纹理，从而实现更好的重建效果。
3. 基于边缘的方法基于边缘的方法是一种特殊的图像超分辨率重建算法。
它通过提取低分辨率图像中的边缘信息，并将其与高分辨率图像的边缘信息进行匹配，从而实现图像的重建。
基于边缘的方法在处理复杂场景和纹理复杂的图像时表现出色，但对于纹理稀疏和边缘不明显的图像效果较差。
二、图像超分辨率重建算法的应用图像超分辨率重建算法在许多领域中都被广泛应用。
以下是几个常见的应用领域。
1. 视频监控在视频监控领域，图像的清晰度直接关系到监控效果的好坏。
通过使用图像超分辨率重建算法，可以将低分辨率的监控图像重建为高分辨率图像，提高监控的效果和分析的准确性。
2. 医学图像医学图像对于诊断和治疗具有重要的意义。
图像超分辨率重建算法可以将低分辨率的医学图像重建为高分辨率图像，提供更准确的图像信息和细节，有助于医生做出准确的判断和决策。
基于深度学习的图像超分辨率重建算法在遥感图像中的应用评估
基于深度学习的图像超分辨率重建算法在遥感图像中的应用评估深度学习技术的快速发展为图像超分辨率重建算法在遥感图像中的应用提供了新的可能。
图像超分辨率重建旨在通过从低分辨率图像中恢复高分辨率图像的细节信息来提高图像的质量和清晰度。
本文将评估基于深度学习的图像超分辨率重建算法在遥感图像中的应用效果。
遥感图像是利用载荷在航天器上进行的各种电磁波辐射的无人值守感应进行记录的特定空地点的地表信息图像。
由于遥感数据的获取成本高昂，图像的质量至关重要。
然而，遥感图像往往因为分辨率较低而导致失去了一些细节信息，这对于地表环境的分析和监测等应用具有一定的局限性。
在过去的几十年中，研究人员提出了各种图像超分辨率重建算法，包括插值方法、基于统计学的方法以及基于深度学习的方法。
然而，传统的方法往往无法从低分辨率图像中恢复出高质量的细节信息。
近年来，基于深度学习的图像超分辨率重建算法在遥感图像的应用中展现出了巨大的潜力。
基于深度学习的图像超分辨率重建算法主要包括卷积神经网络（Convolutional Neural Networks, CNN）和生成对抗网络（Generative Adversarial Networks, GANs）两种方法。
CNN是一种多层感知器，通过学习图像的特征来恢复出高分辨率图像。
GANs则通过同时训练两个神经网络，一个生成器和一个判别器，使其能够生成逼真的高分辨率图像。
为了评估基于深度学习的图像超分辨率重建算法在遥感图像中的应用效果，研究人员采用了一系列定量评价指标。
常用的评价指标包括峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、结构相似度索引（Structural Similarity Index, SSIM）和感知质量指标（Perceptual Quality Index, PQI）等。
这些评价指标可以客观地衡量图像重建算法恢复图像质量的性能。
研究人员在实际应用中使用了不同类型的遥感图像数据集进行评估。
基于卷积神经网络的图像超分辨率算法研究
基于卷积神经网络的图像超分辨率算法研究近年来，随着科技的发展，人们对图像的质量要求越来越高，图像的清晰度也就成了至关重要的因素。
在许多领域中，要求图像的质量达到很高的水平，比如在气象学、医学、航空航天、生物科技等领域都需要用到高质量的图像。
然而，在实际生产和应用中，由于传感器和摄像设备等硬件的限制，获取的图像往往分辨率较低。
因此，如何提高图像的分辨率，使得图像在放大时仍然能够保持清晰锐利，就成为科学家和工程师们需要解决的重要问题。
近年来，基于卷积神经网络（Convolutional Neural Network, CNN）的图像超分辨率算法逐渐成为研究的热点。
本文将从以下几个方面对基于卷积神经网络的图像超分辨率算法进行研究。
一、图像超分辨率算法的发展历程早期的图像超分辨率算法主要是基于插值技术，如双线性插值、双三次插值等。
这类算法简单易实现，但由于缺乏深度学习和特征提取的技术，无法有效地提高图像的清晰度，因此效果并不理想。
而从2006年开始，研究者们逐渐开始在图像超分辨率算法中引入卷积神经网络的技术。
2006年，Freeman等研究人员提出了一种基于纹理类似性的图像超分辨率方法，利用卷积核对图像进行处理，从而实现图像的超分辨率。
尽管该方法得到了比较好的效果，但存在许多方法无法处理的问题。
自此之后，深度学习发展迅速，特别是卷积神经网络在图像识别、处理、分析等领域的广泛应用，使得基于卷积神经网络的图像超分辨率算法得到了广泛关注和深入研究。
二、基于卷积神经网络的图像超分辨率算法原理对于低分辨率的图像，如果将其直接放大，则很容易出现锯齿和马赛克等失真现象，无法增加图像的清晰度。
基于卷积神经网络的图像超分辨率算法，主要是通过一系列卷积层和反卷积层对图像进行处理，从而实现图像的超分辨率。
具体来说，该算法的实现过程可以分为以下几个步骤：1. 输入层：将低分辨率的图像作为输入，经过卷积和池化等处理后，提取出图像的特征；2. 特征提取层：将图像的特征进行加工处理，将其转换为更高维度的特征，从而提高图像的清晰度；3. 反卷积层：通过反卷积操作，将低分辨率的图像扩大到高分辨率，从而提高图像的细节和清晰度；4. 输出层：输出处理后的高分辨率图像。
深度学习中的超分辨率重建技巧
深度学习中的超分辨率重建技巧引言在现代科技的驱动下，数字图像和视频的分辨率要求越来越高。
然而，随着图像和视频的尺寸增加，存储和传输的需求也随之增加。
为了克服这一挑战，超分辨率重建技术应运而生。
深度学习作为一种强大的工具，为超分辨率重建提供了有力的支持。
本文将探讨在深度学习中的超分辨率重建技巧。
一、超分辨率重建的基本原理超分辨率重建是指通过图像或视频的低分辨率版本，推断出高分辨率版本的过程。
其基本思想是通过学习低分辨率图像与高分辨率图像之间的映射关系，从而实现重建。
而深度学习作为一种机器学习方法，通过构建多层神经网络，可以学习到复杂的映射函数。
二、深度学习在超分辨率重建中的应用1. 卷积神经网络（CNN）卷积神经网络是深度学习中常用的一种架构。
在超分辨率重建中，CNN可以学习低分辨率图像与高分辨率图像之间的非线性映射关系。
通过多次卷积和池化操作，CNN可以提取图像的局部特征，并将它们组合起来，以获得更高分辨率的输出。
2. 生成对抗网络（GAN）生成对抗网络由生成器和判别器组成，通过博弈的方式进行训练。
在超分辨率重建中，生成器的任务是将低分辨率图像映射到高分辨率图像，而判别器则评估生成器生成的图像与真实高分辨率图像之间的差异。
通过不断迭代训练，生成器可以逐渐提高生成图像的质量，实现更好的超分辨率重建效果。
三、深度学习中的超分辨率重建技巧1. 数据增强数据增强是提高深度学习性能的一种常用技巧。
在超分辨率重建中，可以通过旋转、缩放、翻转等操作来生成更多的训练样本，以增加网络的泛化能力，并提高超分辨率重建的精度。
2. 学习策略在深度学习中，合适的学习策略对于模型的性能至关重要。
在超分辨率重建中，可以采用逐步训练的策略，先训练低分辨率到中等分辨率的模型，然后再训练中等分辨率到高分辨率的模型。
通过逐步训练，可以逐渐提高超分辨率重建的质量。
3. 网络结构设计网络结构的设计是深度学习中的重要环节。
在超分辨率重建中，可以使用残差网络（ResNet）等结构，以减少信息丢失，并提高重建的质量。
基于生成对抗网络的超分辨率图像重建
基于生成对抗网络的超分辨率图像重建第一章：引言1.1 研究背景近年来，随着互联网和各种数字媒体内容的普及，对于高质量图像的需求越来越迫切。
然而，由于硬件设备以及拍摄条件的限制，很多图片在低分辨率下展示，导致图片细节不清晰，色彩失真等问题。
为了克服这些问题，超分辨率图像重建技术应运而生。
1.2 研究意义超分辨率图像重建是一项重要的研究领域，它可以提高图像的质量和细节，使图像在放大和展示时更加清晰。
这对于提升用户体验、广告和媒体产业等方面具有重要意义。
而基于生成对抗网络的超分辨率图像重建技术能够通过学习大量图像数据，自动生成高质量的超分辨率图像，具有广泛的应用前景。
第二章：相关工作综述2.1 图像超分辨率技术分类超分辨率图像重建技术可分为传统方法和基于深度学习的方法两类。
传统方法主要包括插值法、边缘先验法、模型学习法等。
而基于生成对抗网络（GAN）的方法则在近年来获得广泛关注，并取得了很大的进展。
2.2 生成对抗网络（GAN）简介生成对抗网络是一种由生成器和判别器组成的对抗学习框架。
生成器负责从随机噪声中生成逼真图像，而判别器则试图区分生成器生成的假图像与真实图像。
通过生成器和判别器之间的对抗学习，GAN可以逐步提升生成器的生成能力，使生成的图像更加逼真。
2.3 基于GAN的超分辨率图像重建方法基于GAN的超分辨率图像重建方法首先通过训练一个生成器网络，该生成器能够将低分辨率的图像转化为高分辨率的图像。
然后通过一个判别器网络，对生成器生成的图像进行评估，以提高生成图像的质量。
这种方法通过对生成器和判别器之间的迭代训练，可以不断提升超分辨率图像重建的效果。
第三章：基于GAN的超分辨率图像重建模型3.1 生成器网络设计生成器网络是基于GAN的超分辨率图像重建模型的关键部分，它负责将低分辨率的图像转化为高分辨率的图像。
在设计生成器网络时，可以采用多层卷积神经网络（CNN）结构，其中包括卷积层、反卷积层、池化层等。
基于深度学习的图像超分辨率重建技术
基于深度学习的图像超分辨率重建技术一、简介图像超分辨率重建技术是一种重要的图像处理技术，它可以将低分辨率图像还原成高分辨率图像。
目前，基于深度学习的图像超分辨率重建技术已经成为一个热门领域，取得了很多显著的进展。
本文将介绍基于深度学习的图像超分辨率重建技术的理论和应用。
二、图像超分辨率重建技术的基本原理图像超分辨率重建技术的基本原理是通过高分辨率图像和低分辨率图像之间的关系，设计合适的重建算法，将低分辨率图像转换成高分辨率图像。
其中，基于深度学习的图像超分辨率重建技术主要基于深度卷积神经网络（CNN）实现。
深度卷积神经网络可以利用多个卷积层和池化层学习输入图像的特征表示，并使用反卷积层将特征表示进行重建，产生高分辨率图像。
在超分辨率重建中，深度卷积神经网络使用低分辨率图像作为输入，最终输出高分辨率图像。
三、基于深度学习的图像超分辨率重建技术的研究进展基于深度学习的图像超分辨率重建技术已经发展了多种方法。
下面介绍几种常见的方法：（一） SRCNNSRCNN是一种经典的基于深度学习的图像超分辨率重建技术，它由三个卷积层组成，其中第一个卷积层用于提取图像的低级特征，第二个卷积层用于提取中级特征，第三个卷积层用于提取高级特征。
SRCNN被证明在各种超分辨率重建任务中都适用。
（二） FSRCNNFSRCNN是一种改进的SRCNN，它使用更深的网络，并引入了跳跃连接来减少信息丢失。
与SRCNN相比，FSRCNN在重建质量上有所提升。
（三） VDSRVDSR是一种非常深的网络，由20个卷积层组成。
它使用残差学习来减轻梯度消失问题，并通过更深的网络来提高图像还原的精度。
（四） SRGANSRGAN是一种基于生成对抗网络（GAN）的超分辨率重建技术。
它使用了两个神经网络，一个用于超分辨率重建，另一个用于判别器来优化重建结果。
SRGAN在重建效果和视觉效果方面具有非常好的表现。
（五） ESRGANESRGAN是SRGAN的一种改进，它使用了增强型逐像素逆卷积（EUPDN）结构，通过对逐像素逆卷积操作的变量分组和引入残差结构，提高了图像重建的质量和准确度。
医学图像超分辨率重建算法的研究
医学图像超分辨率重建算法的研究1. 引言医学图像在临床诊断和研究领域具有重要意义，而更高分辨率的图像能够提供更多细节信息，对于准确判断疾病和指导治疗具有重要作用。
然而，由于硬件设备和成本的限制，获取高分辨率医学图像并不容易。
为了克服这一问题，医学图像超分辨率重建算法应运而生。
本文将对医学图像超分辨率重建算法的研究进行探讨和分析。
2. 医学图像超分辨率重建的意义医学图像超分辨率重建的目标是根据低分辨率图像恢复出高分辨率图像。
这样可以提供更详细的医学图像，从而帮助医生更准确地诊断病情。
例如，在病理学领域，高分辨率图像能够提供更清晰的细胞结构和组织形态，有助于识别和分析异常细胞。
因此，医学图像超分辨率重建算法的研究对于提高医学诊断的准确性和效率具有重要意义。
3. 医学图像超分辨率重建算法的分类医学图像超分辨率重建算法根据其实现原理可以分为以下几类：3.1 插值法插值法是最简单的医学图像超分辨率重建方法之一。
该方法通过在低分辨率图像的像素之间进行插值来增加像素的数量，从而提高图像的分辨率。
然而，插值法无法增加图像的真实信息量，且容易导致图像锐利度下降。
3.2 基于模型的方法基于模型的方法利用先验知识和统计模型来估计高分辨率图像。
这些方法通常使用图像的局部纹理特征和全局统计特征进行图像重建。
例如，基于稀疏表示的方法假设高分辨率图像具有较少的非零元素，并通过稀疏表示来重建图像。
3.3 基于学习的方法基于学习的方法通过机器学习算法从训练数据中学习高低分辨率图像之间的映射关系，从而重建高分辨率图像。
这些方法通常采用卷积神经网络等深度学习模型，能够学习到更高级别的特征表示，从而提高图像重建效果。
4. 医学图像超分辨率重建算法的研究进展当前，医学图像超分辨率重建算法的研究取得了显著的进展。
例如，研究者们提出了一种基于稀疏表示和字典学习的算法，能够从低分辨率图像中恢复高分辨率的细胞结构和纤维结构。
此外，深度学习方法在医学图像超分辨率重建中也取得了令人瞩目的成果。
超分辨率成像技术的原理与重建算法
超分辨率成像技术的原理与重建算法超分辨率成像技术是一项通过利用图像处理算法和计算机视觉技术，将低分辨率图像提升到高分辨率水平的技术。
该技术在许多领域中应用广泛，如卫星图像处理、医学影像重建和安防监控等。
本文将介绍超分辨率成像技术的原理和重建算法。
一、原理超分辨率成像技术的原理是基于图像中存在的高频信息。
在一个低分辨率图像中，由于像素数量较少，无法准确表达细节和纹理等高频信息。
然而，这些高频信息在原始高分辨率图像中是存在的。
超分辨率成像技术通过巧妙的算法和模型，利用低分辨率图像中存在的高频信息，从而预测和重建出高分辨率图像。
其中核心思想包括自然图像统计模型、图像插值和超分辨率重建模型等。
二、重建算法1. 插值算法插值算法是超分辨率成像技术中最常用的一种算法。
它通过对低分辨率图像进行像素补充，从而增加图像的分辨率。
常见的插值算法有最近邻插值、双线性插值和双三次插值等。
最近邻插值是一种简单直观的插值算法，它将每个低分辨率像素的值直接复制到对应位置的高分辨率像素中，从而增加图像的分辨率。
双线性插值和双三次插值算法则是通过对邻近像素进行线性或三次插值，从而更加平滑地重建图像。
2. 基于统计模型的算法基于统计模型的算法通过分析图像中的纹理和结构等特征，建立统计模型来预测低分辨率图像中的细节信息。
常见的算法包括最大似然估计（ML）、最小均方误差（MSE）和总变差（TV）等。
最大似然估计算法是一种通过建立像素块之间的映射关系，从而根据低分辨率图像预测高分辨率图像的算法。
最小均方误差算法则是通过最小化预测图像与真实高分辨率图像之间的均方误差，来优化图像重建的算法。
总变差算法则是通过对图像进行平滑化处理，从而减少图像中的噪声和伪影。
3. 基于深度学习的算法基于深度学习的算法是超分辨率成像技术中最新的一种方法。
它利用神经网络模型，通过学习大量图像数据集中的特征和模式，从而重建出高分辨率图像。
常见的基于深度学习的算法包括超分辨率卷积神经网络（SRCNN）、生成对抗网络（GAN）和残差网络（ResNet）等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 ４０ 卷 第 ８ 期
系统工程与电子技术
Ｖｏｌ．４０ Ｎｏ．８
２０１８ 年 ８ 月
ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ
Ａｕｇｕｓｔ２０１８
文 章 编 号 ：１００１５０６Ｘ（２０１８）０８１８７３０８
网 址 ：ｗｗｗ．ｓｙｓｅｌｅ．ｃｏｍ
基于并行映射卷积网络的超分辨率重建算法
毕 笃 彦 ，王 世 平 ，刘 坤 ，何 林 远
（空军工程大学航空工程学院，陕西 西安 ７１００３８）
摘 要 ：针 对 基 于 卷 积 网 络 的 超 分 辨 率 重 建 算 法 对 不 同 场 景 下 的 图 像 存 在 复 原 质 量 不 佳 、细 节 信 息 丢 失 的 问 题，对卷积网络结构详细分析，结合重建模块和损失 函 数 约 束 条 件 存 在 的 问 题，提 出 了 基 于 并 行 映 射 卷 积 网 络 的 超分辨率重建模型。该模型基于端到端的思想，构建并行映射网络及正则化约 束 条 件，能 对 图 像 特 征 进 行 层 次 化 自主提取，在高分辨率图像重建时极大地丰富图像 特 征 的 维 数；并 且 将 全 变 分 正 则 化 引 入 到 重 建 模 块，有 效 地 克 服了超分辨率的病态问题，从而获得鲁棒、丰富的图像信息，提升了重建图 像 的 质 量。 实 验 结 果 表 明，所 提 出 的 网 络 模 型 具 有 更 优 异 的 性 能 ，其 超 分 辨 率 算 法 在 视 觉 评 价 和 量 化 指 标 上 取 得 了 更 好 的 重 建 效 果 。
ＢＩＤｕｙａｎ，ＷＡＮＧＳｈｉｐｉｎｇ，ＬＩＵ Ｋｕｎ，ＨＥＬｉｎｙｕａｎ
（犃犲狉狅狀犪狌狋犻犮狊犪狀犱犃犲狉狅狀犪狌狋犻犮狊犈狀犵犻狀犲犲狉犻狀犵犮狅犾犾犲犵犲，犃犻狉犉狅狉犮犲犈狀犵犻狀犲犲狉犻狀犵犝狀犻狏犲狉狊犻狋狔，犡犻’犪狀７１００３８，犆犺犻狀犪）
犃犫狊狋狉犪犮狋：Ｔｈｅｔｒａｄｉｔｉｏｎａｌｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍ ｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｉｓｄｉｆｆｉｃｕｌｔｔｏｒｅｃｏｖｅｒ ｈｉｇｈｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓａｎｄｆｕｓｅｅｄｇｅｉｎｆｏｒｍａｔｉｏｎｉｎｄｉｆｆｅｒｅｎｔｓｃｅｎｅｓ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍａｎｄｂａｓｅｄｏｎ ｔｈｅｄｅｔａｉｌｅｄａｎａｌｙｓｉｓｏｆｔｈｅｎｅｔｗｏｒｋｏｆｔｈｅｔｙｐｉｃａｌｍｏｄｅｌｓ，ｔｈｅｐａｒａｌｌｅｌｍａｐｐｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｐｒｏｐｏｓｅｄ ｍｏｄｅｌｒｅｌｉｅｓｏｎｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｐｒｏｂｌｅｍｏｆｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｍｏｄｕｌｅｉｎｐｕｔｓａｎｄｌｏｓｓｆｕｎｃｔｉｏｎｃｏｎｓｔｒａｉｎｔｓ．Ｔｈｅ ｍｏｄｅｌｂａｓｅｄｏｎｅｎｄｔｏｅｎｄｍａｎｎｅｒ，ｃｏｎｓｔｒｕｃｔｉｎｇｐａｒａｌｌｅｌｍａｐｐｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋａｎｄｒｅｇｕｌａｒｉｚａｔｉｏｎｃｏｎ ｓｔｒａｉｎｔｓ，ｃａｎｂｅｈｉｅｒａｒｃｈｉｃａｌｌｙｉｎｄｅｐｅｎｄｅｎｔｏｆｉｍａｇｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｅｄａｎｄｇｒｅａｔｌｙｅｎｒｉｃｈｉｍａｇｅｉｎｐｏｌｙｍｅｒｉｚａｔｉｏｎ ｏｆｈｉｇｈｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｆｅａｔｕｒｅｄｉｍｅｎｓｉｏｎ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅｎｅｔｗｏｒｋｉｎｔｒｏｄｕｃｅｓｔｈｅｔｏｔａｌｖａｒｉａｔｉｏｎｒｅｇｕｌａｒｉｚａｔｉｏｎ ａｆｔｅｒｔｈｅｃｏｎｖｏｌｕｔｉｏｎｌａｙｅｒａｎｄｃｏｎｓｔｒａｉｎｔｓｉｌｌｐｏｓｅｄｐｒｏｂｌｅｍ，ｗｈｉｃｈｅｘｔｒａｃｔａｃｃｕｒａｔｅａｎｄｒｏｂｕｓｔｉｍａｇｅｆｅａｔｕｒｅｓ ｆｒｏｍｔｈｅｎｅｔｗｏｒｋ，ａｎｄｅｎｒｉｃｈｔｈｅｅｄｇｅｉｎｆｏｒｍａｔｉｏｎｏｆｉｍａｇｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｔｙｐｉｃａｌｄａｔａｂａｓｅｓ ｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍａｃｈｉｅｖｅｓｂｅｔｔｅｒｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎｒｅｓｕｌｔｓ，ｔｈｅｓｕｂｊｅｃｔｉｖｅｖｉｓｕａｌｅｆｆｅｃｔａｎｄｏｂｊｅｃ ｔｉｖｅｅｖａｌｕａｔｉｏｎｉｎｄｉｃｅｓａｒｅｉｍｐｒｏｖｅｄｓｉｇｎｉｆｉｃａｎｔｌｙ，ａｎｄｔｈｅｒｅｓｏｌｕｔｉｏｎｏｆｔｈｅｉｍａｇｅｉｓｅｎｈａｎｃｅｄ．
关 键 词 ：图 像 复 原 ；超 分 辨 率 重 建 ；并 行 映 射 卷 积 网 络 ；全 变 分 正 则 化 中 图 分 类 号 ：ＴＰ３９１ 文 献 标 志 码 ：Ａ 犇犗犐：１０．３９６９／ｊ．ｉｓｓｎ．１００１５０６Ｘ．２０１８．０８．２９
Байду номын сангаас
犛狌狆犲狉狉犲狊狅犾狌狋犻狅狀犪犾犵狅狉犻狋犺犿犫犪狊犲犱狅狀狆犪狉犪犾犾犲犾犿犪狆狆犻狀犵犮狅狀狏狅犾狌狋犻狅狀狀犲狋狑狅狉犽
犓犲狔狑狅狉犱狊：ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ；ｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎ （ＳＲ）； ｐａｒａｌｌｅｌ ｍａｐｐｉｎｇ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｔｗｏｒｋ；ｔｏｔａｌ ｖａｒｉａｔｉｏｎｒｅｇｕｌａｒｉｚａｔｉｏｎ
０ 引 言
图像作为传递信 息 的 主 要 媒 介，人 类 对 其 依 赖 性 与 日 俱增，在医学成像、卫星遥感及视频监控等 诸 多 领 域 有 着 广 泛的应用 。 ［１］ 如何获取鲁棒的图像信息 以 及 丰 富 的 高 频 细 节，学习更加精确的 特 征 是 计 算 机 视 觉 领 域 将 要 研 究 的 方 向。图像的超 分 辨 率 重 建 （ｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎ，ＳＲ）技 术 借 助 于相关模型架构进行特征提取，通过恢复 出 高 频 信 息，有 效 地 提 高 了 图 像 的 质 量 。 ［２］