图像超分辨率重建研究综述

图像超分辨

超分辨率复原（分成1024块）将样本库中的高分辨率图象和低分辨率图象分别做分块处理，当新输入一幅低分辨率图象时，分成小块到样本库中寻找最匹配的高分辨率块，然后复原出高分辨率图象

一本关于超分辨率重建的书，适合新手（superresolution），包括超分辨率基本定义，基本算法，配准基本算法等

超级resolución2x: Modelado y Entranamiento: 阿根廷国立大学数学与系统科学学院(MUSIANI)于2020/21年间在阿根廷国立大学计算机科学与工程系(MEIAN

视频超分辨率增强的目的在于从时间上弥补视频采样设备采样帧率的不足, 描述高速运动变化对象的细节信息; 在空间上复原视频图像截止频率之外的信息, 以使图像获得更多的细节。这项技术广泛应用于视频通信、监控

文章分别从空域和频域对该框架进行了实现，并且同经典的超分辨算法结果 进行了比较，还将本文提出的裂纹修复方法与分层的修复方法等对图像超分辨处 理的结果进行对比。仿真结果从主观和客观上都表明，本文提出的全

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷

针对图像高分辨率重建过程中稀疏解的存在性和唯一性问题以及超分辨率图像的边缘特征和平滑噪声的关系进行了研究,提出了局部正则化参数自适应选取的方法。结合联合构造字典的算法,在重建过程中动态调整正则化参数。

本研究使用深度学习技术对单幅图像超分辨率重建进行了研究。通过对图像低分辨率与高分辨率之间的映射进行建模，我们开发了一种全新的算法来提高图像的清晰度和细节。此项研究在医学图像处理和监控摄像头领域有着广泛

鉴于非下采样Contourlet变换（NSCT）系数包含原始图像各方向的所有细节信息，以及改进BP神经网络高度非线性映射的快速收敛和准确性，提出一种应用NSCT和改进BP神经网络的超分辨率图像重建算法