基于數(shù)據(jù)驅動的圖像分辨率提升理論和技術綜述

時間：2025-11-23 20:31:04

關鍵字：數(shù)據(jù)驅動模型圖像分辨率提升深度學習

手機看文章

掃描二維碼
隨時隨地手機看文章

[導讀]在大數(shù)據(jù)與深度學習浪潮的推動下，數(shù)據(jù)驅動模型已全面取代傳統(tǒng)規(guī)則式算法，成為提升圖像分辨率的核心引擎。本文綜述了數(shù)據(jù)驅動模型在圖像分辨率提升方面的應用，涵蓋了三維重建、壓縮感知、單像素成像和超分辨率技術，并進一步探討數(shù)據(jù)驅動模型在視覺成像、工業(yè)無損評估和醫(yī)學影像處理等實際場景中的落地實踐，以及未來的發(fā)展趨勢。

1. 引言

隨著大數(shù)據(jù)和人工智能時代的到來，視覺數(shù)據(jù)處理技術經(jīng)歷了從基于規(guī)則到數(shù)據(jù)驅動的范式轉變，為工業(yè)自動化、醫(yī)學診斷等多個領域帶來了革新。傳統(tǒng)的分析方法依賴于手工特征和統(tǒng)計模型，在泛化能力、適應復雜數(shù)據(jù)分布以及真實世界成像條件下的魯棒性方面存在局限性。而機器學習，尤其是深度學習的興起，使得模型能夠從海量數(shù)據(jù)集中自主學習層次化特征，實現(xiàn)了在復雜視覺分析任務中前所未有的準確性和魯棒性。

數(shù)據(jù)驅動模型的廣泛應用與計算硬件的進步、算法創(chuàng)新以及大規(guī)模標注數(shù)據(jù)集的可用性密切相關。早期機器學習模型如支持向量機和決策樹展示了利用數(shù)據(jù)進行模式識別的潛力，但其淺層架構難以捕捉高維圖像數(shù)據(jù)中的復雜空間和語義關系。卷積神經(jīng)網(wǎng)絡的興起，通過卷積層、池化操作和非線性激活引入了層次化特征提取，開創(chuàng)性的工作如AlexNet和ResNet展示了CNN在圖像分類中超越人類水平性能的能力，為其在目標檢測、分割等領域的主導地位鋪平了道路。

近年來，Transformer架構的出現(xiàn)進一步顛覆了計算機視覺領域，其自注意力機制在建模圖像中的長距離依賴和全局上下文方面表現(xiàn)出色，解決了CNN的局部性限制。視覺Transformer (ViT)和檢測Transformer (DETR)在需要整體理解的圖像描述和全景分割等任務中取得了最先進的結果。與此同時，生成模型如去噪擴散概率模型(DDPM)的出現(xiàn)，通過模擬擴散過程為圖像重建提供了新的框架。

盡管取得了這些進展，但仍存在重大挑戰(zhàn)。首先，退化建模不足，真實場景中的噪聲、模糊類型遠比合成訓練數(shù)據(jù)復雜，導致模型在實際應用中表現(xiàn)失準；其次，計算成本高昂，高參數(shù)量的Transformer等架構對顯存與推理時間要求極高，難以在邊緣設備或實時系統(tǒng)中部署；第三，多模態(tài)融合薄弱，RGB、深度、紅外等互補信息尚未被有效協(xié)同利用，限制了分辨率提升的上限；最后，評價指標失準，傳統(tǒng)PSNR/SSIM常與主觀視覺質量脫節(jié)，難以真實反映人眼對細節(jié)、紋理及整體清晰度的感知偏好。

本文聚焦圖像分辨率提升的數(shù)據(jù)驅動模型，涵蓋從基礎技術到最新創(chuàng)新，系統(tǒng)綜述三維重建、壓縮感知、單像素成像及超分辨率技術。通過研究它們在視覺檢測、工業(yè)無損檢測(NDT)和醫(yī)學成像中的應用，我們突出了這些模型的變革潛力和未解決的挑戰(zhàn)。

本工作的貢獻有三個方面：

1. 技術綜合：統(tǒng)一傳統(tǒng)方法(壓縮感知/字典學習)與深度學習(CNN/Transformer/DDPM)的分辨率提升框架。

2. 退化–重建關聯(lián)分析：揭示采樣策略(如單像素成像)、退化模型與重建質量的耦合機制。

3. 應用場景適配：結合工業(yè)微缺陷檢測、醫(yī)學低劑量成像等需求提出優(yōu)化路徑，為研究人員和從業(yè)者提供了可操作的見解。

本文的其余部分安排如下：第2節(jié)專注于圖像分辨率增強，包括三維重建、壓縮感知和超分辨率。第4節(jié)討論跨行業(yè)的應用，在第5節(jié)和第6節(jié)分別進行比較分析和未來趨勢的探討。通過這種結構，我們旨在為讀者提供數(shù)據(jù)驅動視覺處理在圖像分辨率提升方面的全面理解，促進理論和應用領域的創(chuàng)新。

2. 圖像分辨率增強

2.1. 三維重建技術

三維重建技術通過結合圖像采集、特征提取、匹配和模型優(yōu)化等步驟，從二維圖像中恢復三維場景結構，增強圖像的立體感和細節(jié)。隨著技術進步，該技術已發(fā)展到利用深度學習進行高效準確的重建，并在文化遺產(chǎn)保護、娛樂、醫(yī)療、機器人導航、工業(yè)設計和虛擬現(xiàn)實等多個領域得到應用。它分為基于傳統(tǒng)多視圖幾何和基于深度學習的算法，正朝著深度學習、多模態(tài)融合、實時重建和交互式模型等方向進步?；趫D像的三維重建技術可以分為基于傳統(tǒng)多視圖幾何的三維重建算法和基于深度學習的三維重建算法。

2.1.1. 基于傳統(tǒng)多視圖幾何的三維重建算法

立體視覺技術通過分析多視角圖像獲取深度信息以重建三維模型，分為依賴自然特征的被動方法和通過投射已知模式測量距離的主動方法。傳統(tǒng)三維重建算法如結構光重建(SFM)和多視角立體(MVS)，通過圖像配準、視差計算和特征匹配恢復三維結構，但受光照條件影響且精度有限。

從2013年到2021年，研究者們提出了多種SFM算法，如全局SFM [1]、在線服務平臺[2]、COLMAP增量SFM [3]、HSFM [4]以及基于增量SFM的單目三維重建方法[5]，這些技術提高了大規(guī)模三維重建的魯棒性、精度和可擴展性。

SFM通過特征點匹配獲取相機參數(shù)，但產(chǎn)生稀疏點云。提供更詳盡的三維信息，其中稠密點云重建MVS基本流程圖見圖1。MVS則通過像素級匹配生成更密集的點云，提供更詳盡的三維信息。MVS自2006年以來也經(jīng)歷了重要發(fā)展，Seitz等人的對MVS算法的系統(tǒng)性介紹[6]、Sinha等人的基于體素的MVS方法[7]，以及Lin等人結合雙目立體視覺和特征匹配的三維重建方法[8]，推動了MVS領域的發(fā)展。

傳統(tǒng)多視圖幾何三維重建依賴相機采集，精度不及激光點云。相機類型影響結果：彩色相機提供顏色信息但受光照影響；紅外相機不受光照影響，但無法捕獲顏色，實際應用時需權衡這些因素。

2.1.2. 基于深度學習的三維重建算法

傳統(tǒng)的三維重建技術，如SFM和MVS，依賴亮度一致性，在理想環(huán)境下效果良好，但在紋理弱或高反射環(huán)境下易出現(xiàn)不準確或空洞。深度學習方法通過編碼解碼過程，無需復雜校準，有效改善了這些問題。

2021年，研究者們提出了基于深度神經(jīng)網(wǎng)絡的三維重建技術[9]-[11]，通過無監(jiān)督學習、深度特征測量和增量SFM結構的深度融合，提高了三維重建的準確性和魯棒性。

自2014年Eigen等人[12]首次將CNN應用于三維重建以來，深度學習在三維重建領域取得了顯著進展，如2015年的多任務CNN [13]、2017年的Pix2Face [14]和后續(xù)的MVSNet系列[15]-[20]，這些技術通過引入先進的神經(jīng)網(wǎng)絡架構，顯著提升了三維重建的精度和效率。

NeRF技術的出現(xiàn)推動了三維場景隱式表示的發(fā)展，從2020年的全連接神經(jīng)網(wǎng)絡到2023年的高分辨率數(shù)據(jù)訓練[21]-[24]，NeRF不斷優(yōu)化，提升了重建質量和細節(jié)。同時，Stucker和Schindler [25]、Peng等人[26]的技術展示了深度學習在動態(tài)場景合成和多視角重建中的應用，而Huang等人[27]的方法則通過二維卷積網(wǎng)絡與三維神經(jīng)網(wǎng)絡輻射場的交互學習，為三維場景重建帶來了高質量的風格化效果。這些研究證明了深度學習在解決傳統(tǒng)三維重建挑戰(zhàn)，如表面空洞問題方面的潛力。

基于數(shù)據(jù)驅動的圖像分辨率提升理論和技術綜述

Figure 1. Basic flow chart of MVS reconstruction from dense point clouds

圖1. 稠密點云重建MVS基本流程圖

2.1.3. 基于學習的點云稠密化方法

隨著深度學習的發(fā)展，研究者提出了一系列端到端的網(wǎng)絡，可直接由稀疏點云輸出高密度表示，無需顯式三維重建。2018年的PU-Net [28]率先用特征提取與多層感知器逐層生成新點；其后續(xù)PU-GAN [29]、Dis-PU [30]等進一步引入生成對抗網(wǎng)絡與幾何約束，提升點的均勻性與幾何一致性。另一類工作利用NeRF變體[31]等隱式神經(jīng)表示，把點云編碼為連續(xù)隱式場，讓網(wǎng)絡預測任意位置的幾何概率，實現(xiàn)任意分辨率稠密化。為了補全缺失細節(jié)，多模態(tài)方法融合 RGB、深度或法向信息，通過跨模態(tài)注意力機制聯(lián)合圖像紋理與點云幾何，實現(xiàn)高保真增強[32]。針對標注數(shù)據(jù)稀缺的現(xiàn)實，最新研究還探索了基于重建一致性、幾何不變性的自監(jiān)督或無監(jiān)督生成模型，顯著提高了算法在真實場景中的適應性[33]。

2.2. 壓縮感知

壓縮感知(Compressive Sensing，簡稱CS)是一種信號處理理論，其基本流程圖見圖2，它提出了一種革命性的采樣方法，允許從遠低于奈奎斯特率的測量值中恢復稀疏或可壓縮信號。這一理論的核心在于，如果一個信號在某種域(如時間域、空間域或頻率域)中是稀疏的，那么它可以通過遠少于傳統(tǒng)采樣定理要求的樣本數(shù)來重建。

在圖像感知與壓縮領域，壓縮感知的概念尤其具有吸引力。圖像和視頻信號通常具有內在的冗余性，這意味著它們在變換域(如小波變換或傅立葉變換)中只有少數(shù)幾個系數(shù)是顯著的，而其他許多系數(shù)接近于零。利用這一特性，壓縮感知技術可以在保持圖像質量的同時，大幅度減少需要存儲或傳輸?shù)臄?shù)據(jù)量。例如，Yoshida等[34]探索了將人類視覺感知引入圖像壓縮感知問題的可能性，通過將視覺顯著性與幾何特征相結合，構建視覺啟發(fā)的“重要性圖”，指導壓縮采樣過程，并結合深度圖像先驗(DIP)與嵌入空間流形建模(MMES)在解碼端重建圖像。實驗結果表明，該方法在極低采樣率下仍能保留關鍵的視覺特征，顯著優(yōu)于傳統(tǒng)的隨機或均勻采樣策略，為壓縮感知領域帶來了新的感知驅動思路。

基于數(shù)據(jù)驅動的圖像分辨率提升理論和技術綜述

Figure 2. Basic flow chart of compressed sensing

圖2. 壓縮感知基本流程圖

2.2.1. 壓縮感知框架

壓縮感知框架是壓縮感知技術的核心，它定義了如何從少量測量值中重建原始信號。壓縮感知框架的核心思想是利用信號的稀疏性或可壓縮性來減少數(shù)據(jù)采集量，從而實現(xiàn)高效的數(shù)據(jù)采集和重建。它突破了奈奎斯特采樣定理的限制，允許在遠低于信號帶寬的速率下進行采樣，并通過算法重建出高質量的信號。He等[35]提出擴散自適應框架，通過將測量矩陣分布式存儲于網(wǎng)絡節(jié)點并引入擴散l0-LMS與mini-batch擴散算法，實現(xiàn)了稀疏信號的協(xié)同快速重建，在收斂速度與重建精度上均優(yōu)于單機l0-LMS。Oikonomou等[36]提出的一種基于變分貝葉斯框架的新型壓縮感知算法，實驗表明該方法在多種場景下均優(yōu)于現(xiàn)有主流算法。這些框架的成功應用，證明了壓縮感知在圖像重建和壓縮方面的巨大潛力。

2.2.2. 字典學習

字典學習是壓縮感知中一個重要的技術，它通過學習信號的稀疏表示，從而實現(xiàn)高效的壓縮和重建。字典學習的目標是從訓練數(shù)據(jù)中學習出一組基函數(shù)，使得每個信號都可以表示為這些基函數(shù)的線性組合，并且組合系數(shù)盡可能稀疏。稀疏性意味著只有少數(shù)幾個系數(shù)是非零的，這有助于降低數(shù)據(jù)的存儲和傳輸成本。S Li等[37]提出基于稀疏編碼的雙字典超分辨率框架，通過Gabor濾波提取多尺度特征并引入殘差字典補償高頻細節(jié)，顯著提升了微銑刀具磨損圖像的分辨率與監(jiān)測精度。

2.2.3. 算法

壓縮感知算法是信號重建的關鍵，它決定了重建的精度和效率。例如，Beck等[38]提出了一種快速迭代收縮閾值算法(FISTA)，并將其應用于圖像去模糊問題，取得了顯著的性能提升，驗證了FISTA在圖像檢測與壓縮感知領域應用的有效性。Li等[39]提出了一種基于總變分正則化的高效算法TVAL3，并將其應用于單像素相機圖像重建，顯著提高了圖像檢測與壓縮感知的性能，驗證了TVAL3在圖像恢復方面的有效性。表1為FISTA與TVAL3的相關比較。

Table 1. Relevant comparison between FISTA and TVAL3

基于數(shù)據(jù)驅動的圖像分辨率提升理論和技術綜述

2.3. 不同圖像的稀疏性

在圖像處理和計算機視覺領域，稀疏性(Sparsity)是一個重要的概念，它指的是在表示圖像時，圖像的某些屬性或特征在某種域中只有少數(shù)幾個非零元素，這些非零元素可以捕捉到圖像的主要信息。圖像的稀疏性是自然存在的，許多類型的圖像實際上在諸如小波變換、傅立葉變換或DCT (離散余弦變換)等正交變換下呈現(xiàn)高度稀疏。通過尋找最合適的稀疏表示，我們能夠捕捉到圖像的關鍵特征，同時減少冗余信息，這對于圖像編碼、壓縮、分類和重建等方面都有積極影響，圖像的稀疏表示方法分為以下幾類。

2.3.1. 貪婪策略近似

貪婪策略近似方法通過迭代選擇字典中與圖像殘差最匹配的原子，并利用最小二乘法計算原子系數(shù)，以近似求解稀疏表示問題。匹配pursuit (MP)算法和正交匹配pursuit (OMP)算法是最典型的貪婪策略近似方法，它們通過選擇最佳匹配原子來逐步逼近圖像的稀疏表示例如，Shengqin Bian和Lixin Zhang [40]比較了匹配追蹤算法在圖像重建中的應用性能，結果表明，在無噪聲信號重建中，子空間追蹤算法表現(xiàn)略優(yōu)于其他算法；在二維圖像重建中，當壓縮比低時，子空間追蹤算法也表現(xiàn)更佳。此外，還有許多改進的貪婪算法，如ROMP、CoSaMP、StOMP、SP、SAMP、TMP、TBOMP、FBP等，它們在效率、魯棒性和收斂速度等方面進行了優(yōu)化。Rajaei Khatib等[41]提出了一種名為學習貪婪方法(LGM)的新型神經(jīng)網(wǎng)絡架構，用于稀疏編碼和圖像檢測，該架構能夠有效地學習圖像的特征表示，并取得了優(yōu)于傳統(tǒng)方法的性能。

2.3.2. 約束優(yōu)化策略

約束優(yōu)化策略將稀疏表示問題轉化為約束優(yōu)化問題，并利用高效的優(yōu)化方法求解。梯度投影稀疏重建(GPSR)算法將原始的無約束非光滑問題轉化為一個光滑的可微約束優(yōu)化問題，利用梯度下降和標準線搜索方法求解L1正則化問題，Li等[42]將其與Krylov子空間投影相結合，應用于三維電阻層析成像(ERT)，在保持高精度圖像重建的同時顯著降低了計算耗時，驗證了KGPSR-BB在實時稀疏正則化與工業(yè)過程成像中的有效性。基于內點法的稀疏表示策略，如TNIPM算法將L1范數(shù)最小化問題轉化為一個無約束光滑問題，利用截斷牛頓法和內點法求解L1正則化問題，適用于大規(guī)模稀疏表示問題。交替方向法(ADM)算法可以有效地求解L1正則化問題的對偶問題，進一步提高算法的效率。Yan Yang等[43]提出了一種基于交替方向乘子法(ADMM)的深度學習架構，并將其應用于圖像壓縮感知，取得了優(yōu)于傳統(tǒng)方法和深度學習方法的效果，驗證了深度學習在圖像檢測與稀疏表示方面的有效性。

2.3.3. 基于近端算法的優(yōu)化策略

基于近端算法的優(yōu)化策略利用近端算子迭代求解稀疏表示問題，如ISTA、FISTA、SpaRSA、ALM等。這些算法將L1正則化問題轉化為L2最小化問題，并利用收縮算子或投影算子進行迭代求解。例如，ISTA算法利用收縮算子迭代求解L1正則化問題，具有較高的收斂速度和計算效率。FISTA算法是ISTA算法的改進，利用Lipschitz常數(shù)近似Hessian矩陣，并加速收斂，Li等[44]將其與單頻全息成像結合，提出SFH-FISTA實現(xiàn)3D稀疏毫米波成像，實驗顯示在50%采樣率下仍高質重建，驗證了FISTA在雷達稀疏成像中的高效與穩(wěn)健。SpaRSA算法利用自適應連續(xù)和BB奇異值方法優(yōu)化L1正則化問題，在圖像壓縮領域展現(xiàn)出高效性、靈活性、穩(wěn)定性和快速收斂的優(yōu)勢，使其在處理大規(guī)模稀疏信號恢復問題時表現(xiàn)出色，尤其適用于不同類型的圖像數(shù)據(jù)。ISTA、FISTA、SpaRSA與ALM的相關比較見表2。

2.3.4. 基于同倫算法的稀疏表示

基于同倫算法的稀疏表示方法利用同倫算法追蹤L1正則化問題中參數(shù)λ的變化路徑，逐步更新稀疏解。例如，LASSO (最小絕對收縮和選擇算子)同倫算法和BPDN (基追蹤去噪)同倫算法分別追蹤LASSO和BPDN問題中參數(shù)λ的變化路徑，逐步更新稀疏解，LASSO更多地被統(tǒng)計學界使用，而BPDN則更多地被信號處理界采用。在實際應用中，當觀測數(shù)據(jù)可能包含噪聲時，這兩種方法都需要進行適當?shù)卣{整以處理噪聲問題。此外，還有基于同倫的迭代重新加權L1最小化算法，它利用同倫算法更新L1正則化問題的權重，進一步提高算法的效率，Sining Huang等[45]提出了一種基于擴展重加權?1最小化算法(ERMA)的圖像恢復方法，有效提高了圖像恢復的信號噪聲比(SNR)、結構相似性(SSIM)和均方誤差(MSE)，并通過仿真實驗驗證了其在圖像檢測和稀疏表示方面的優(yōu)越性。

Table 2. Related comparison of ISTA, FISTA, SpaRSA, and ALM

基于數(shù)據(jù)驅動的圖像分辨率提升理論和技術綜述 2.4. 單像素成像

單像素成像(Single-Pixel Imaging, SPI)是一種顛覆傳統(tǒng)的成像技術，它不依賴于成像設備上每個像素點的獨立探測，而是利用單個像素探測器來捕獲整個場景的圖像信息。這種技術的核心在于，通過空間光調制器(Spatial Light Modulator, SLM)或者類似的設備對照明光束進行調制，產(chǎn)生一系列具有特定模式的照明圖案，這些圖案依次投射到目標物體上[46]。SPI技術的發(fā)展，特別是在運動目標成像、盲重建、圖像加密和隱藏以及照明圖案優(yōu)化等領域，為我們提供了新的視角和方法。

2.4.1. 運動物體成像

在運動物體成像領域，單像素成像(SPI)技術因其獨特的成像機制而展現(xiàn)出巨大潛力，同時也面臨著一系列挑戰(zhàn)。其中最主要的挑戰(zhàn)之一是如何在保持圖像質量的同時提高成像速度。這是因為SPI技術在獲取圖像時通常需要進行多次的照明圖案投射和相應的信號采集，這個過程在面對快速移動的物體時會變得尤為困難。Monin等[47]提出一種基于循環(huán)采樣矩陣與多幀運動估計的單像素成像算法，通過直接在投影域檢測并補償全局或局部運動，在目標運動過程中仍能實現(xiàn)高保真重建，為動態(tài)場景下的單像素成像提供了實時、穩(wěn)健的解決方案。

2.4.2. 盲重建

盲重建(Blind Reconstruction)是一個在信號處理和圖像分析領域常見的概念，它指的是在不知道原始信號或圖像具體參數(shù)或特性的情況下，僅通過觀測到的數(shù)據(jù)來恢復原始信號或圖像的過程。在盲重建領域，Zhuang等[48]提出了一種結合深度圖像先驗(DIP)和結構化深度神經(jīng)網(wǎng)絡的方法，用于解決盲圖像去模糊(BID)問題，并在未知核大小和顯著噪聲的情況下表現(xiàn)出穩(wěn)定性，驗證了該方法在提高圖像去模糊效果方面的有效性。Song等[49]提出了一種基于粉噪聲散斑與深度學習的計算鬼成像框架，在無需實驗訓練數(shù)據(jù)的情況下即可從0.8% Nyquist采樣率中重建出高保真圖像，并在未知系統(tǒng)響應與強噪聲條件下實現(xiàn)魯棒盲重建，驗證了該方法在極低采樣與復雜環(huán)境下的有效性。

2.4.3. 圖像加密和隱藏

SPI技術在圖像加密和隱藏方面利用其獨特的成像機制提供了新的安全策略，它通過隨機相位掩模對圖像進行編碼，生成難以識別的噪聲狀圖案，從而保護圖像內容不被未授權訪問。此外，SPI技術結合混沌理論可以生成高度隨機的編碼模式，進一步增強圖像的安全性。Zhang等[50]提出了一種基于混沌棕櫚相位掩模(CPPM)和菲涅耳變換(FrT)的光學單通道彩色圖像加密方案，并將其應用于光學信息安全領域，取得了顯著的安全性提升，驗證了該方案在提取光學圖像隱藏信息方面的有效性，這為SPI在圖像加密領域提供了新的視角。

2.5. 人工智能超分辨率及其局限性

超分辨率技術(Super-Resolution，簡稱SR)是一種旨在提高圖像或視頻分辨率的技術。傳統(tǒng)的圖像放大方法往往會導致圖像模糊和失真，而超分辨率技術則通過算法重建圖像的細節(jié)，生成比原始圖像更清晰、分辨率更高的圖像，同時保留原始內容和結構，Liu等[51]提出了一種基于Cycle-GAN的超編碼分辨率重建方法，通過無配對訓練策略在遠低于奈奎斯特采樣條件下實現(xiàn)2×超分辨成像，實驗驗證其在3.125%~25%采樣率下顯著提升圖像細節(jié)與邊緣銳度，為低數(shù)據(jù)量、高保真超分辨率成像提供了新途徑。超分辨率技術與人工智能結合的關鍵優(yōu)勢在于其能夠從大量的數(shù)據(jù)中學習到復雜的特征，并利用這些特征來增強圖像的細節(jié)和質量。這種結合不僅提高了圖像的質量，還擴展了超分辨率技術在多個領域的應用范圍，為圖像處理領域帶來了新的可能性。

2.5.1. 單一圖像超分辨率

單一圖像超分辨率(SISR)技術是一種圖像增強方法，它旨在從單個低分辨率圖像中恢復出高分辨率圖像。SISR的挑戰(zhàn)在于，由于成像系統(tǒng)的局限性或數(shù)據(jù)獲取過程中的約束，低分辨率圖像丟失了高頻細節(jié)信息。為了克服這些限制，SISR通常采用先進的算法，如基于學習的方法，特別是深度學習技術。Liang等[52]提出了一種基于Swin Transformer的端到端圖像復原框架SwinIR，通過局部–全局混合注意力機制直接學習從低分辨率到高分辨率的映射，在多個超分辨率任務及退化場景下均顯著優(yōu)于現(xiàn)有CNN方法，驗證了Transformer (結構示意圖見圖3)在單圖像超分辨率中的有效性與高效性。Zhang等[53]提出了一種由隨機模糊–降采樣–噪聲級聯(lián)并可隨機洗牌的實用退化模型，聯(lián)合ESRGAN架構端到端訓練出BSRGAN，在未知復雜退化的真實圖像上實現(xiàn)盲超分辨率，顯著提升了視覺質量與魯棒性，驗證了該方法在實際場景中的有效性。

2.5.2. 多圖像超分辨率

多圖像超分辨率(MISR)技術利用多個低分辨率圖像重建一個高分辨率圖像。這種方法通常涉及到圖像配準，以確保多個圖像中的場景對齊，然后通過融合技術合并圖像信息以提高分辨率。與單圖像超分辨率(SISR)技術不同，MISR通過整合多幅圖像中的互補信息，能夠更有效地恢復高分辨率圖像的細節(jié)和結構。SISR與MISR的相關比較見表3。

Salvetti等[54]提出了一種基于殘差特征注意力的深度神經(jīng)網(wǎng)絡 RAMS，利用3D卷積同時融合多幅低分辨率遙感影像的時空信息，實現(xiàn)3×超分辨率重建，在公開Proba-V數(shù)據(jù)集上顯著優(yōu)于單圖與現(xiàn)有多圖方法，驗證了其在大尺度遙感場景中的有效性與可遷移性。MISR的優(yōu)勢在于它可以利用多個視角中的冗余信息來增強細節(jié)并減少噪聲，這種方法特別適合于場景相對靜態(tài)的情況，Xiu等[55]提出的一種新的端到端網(wǎng)絡結構CoT-MISR，結合了卷積和Transformer的優(yōu)勢，有效利用低分辨率圖像的局部和全局信息，在PROBA-V數(shù)據(jù)集上取得了目前多圖像超分辨率任務的最佳性能，為遙感圖像融合提供了新的思路。隨著計算能力的提升和算法的改進，MISR技術在處理大型圖像數(shù)據(jù)集和提供更高分辨率圖像方面變得更加有效。

2.5.3. 局限性

當前人工智能與圖像超分辨率的結合取得了一定進展，但仍面臨挑戰(zhàn)。首先，雖然CNN模型被廣泛使用，但GAN模型在處理復雜場景和不同縮放任務時更具優(yōu)勢，未來的研究需要探索如何結合兩者的優(yōu)

基于數(shù)據(jù)驅動的圖像分辨率提升理論和技術綜述

Figure 3. Schematic diagram of the structure of Transformers

圖3. Transformers結構示意圖

Table 3. Correlation comparison between SISR and MISR

基于數(shù)據(jù)驅動的圖像分辨率提升理論和技術綜述勢并簡化網(wǎng)絡結構[56]。其次，現(xiàn)有模型在適應多變的實際場景方面存在困難，需要設計更靈活的模型來利用不同場景的先驗知識。此外，可以引入深度學習中的多種學習方法，如注意力機制和多因素學習，以提升模型性能。在圖像退化和采樣方法方面，需要探索更接近真實情況的模型和方法，以彌補現(xiàn)有方法與實際應用之間的差距。最后，現(xiàn)有的目標函數(shù)和評估標準存在一定的局限性，需要開發(fā)更合理的損失函數(shù)和質量評價方法，以平衡模型的精度和感知質量。

3. 應用案例

3.1. 視覺檢測

視覺檢測是利用計算機視覺技術來識別、定位和分析圖像或視頻中的物體和事件。它不僅僅是一個技術過程，更是一種使機器能夠理解和解釋視覺信息的革命性能力，這種能力使得機器能夠在各種復雜的環(huán)境中執(zhí)行任務。數(shù)據(jù)驅動模型，尤其是深度學習模型，已經(jīng)成為實現(xiàn)這一能力的核心工具。這些模型通過從大量圖像數(shù)據(jù)中學習，能夠自動提取特征并建立復雜的模式識別系統(tǒng)。深度學習的發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(CNN)的廣泛應用，已經(jīng)極大地推動了視覺檢測技術的進步。CNN在圖像和視頻分析任務中展現(xiàn)出了前所未有的性能，使得機器能夠在沒有人類直接干預的情況下，準確地識別和定位圖像中的物體。

隨著技術的不斷進步，視覺檢測的應用已經(jīng)擴展到了許多新的領域。在館藏數(shù)字化領域，倪劼等[57]提出一種改進的Real-ESRGAN模型，針對館藏近代低分辨率圖像引入多尺度特征融合與通道注意力機制，在4×超分辨率重建后將圖像送入后續(xù)視覺檢測流程，顯著提升了歷史文獻中文字、圖案等關鍵細節(jié)的檢出率(PSNR↑3 dB, SSIM↑0.0672)，為圖書館數(shù)字化展示與智能檢索提供了高保真視覺基礎。在體育分析中，視覺檢測技術被用來追蹤運動員表現(xiàn)和比賽動態(tài)，謝競光和程新年[58]提出的一個結合生成對抗網(wǎng)絡(GANs)和循環(huán)神經(jīng)網(wǎng)絡(RNNs)的系統(tǒng)，用于預測排球比賽中的戰(zhàn)術數(shù)據(jù)。該系統(tǒng)利用計算機視覺技術自動從比賽視頻中提取關鍵信息，并運用深度學習進行智能分析。這一方法能有效識別和理解排球比賽中的復雜戰(zhàn)術行為，并提供準確預測，為戰(zhàn)術分析、訓練和比賽決策提供技術支持。

盡管視覺檢測技術已經(jīng)取得了顯著的成就，但仍有許多挑戰(zhàn)需要克服。例如，如何在不同的光照條件和復雜背景中保持高準確性，如何提高模型的實時處理能力，以及如何處理大規(guī)模圖像數(shù)據(jù)集。未來的研究將繼續(xù)探索更高效的算法，提高模型的泛化能力和解釋性，以及開發(fā)新的硬件和軟件解決方案，以滿足不斷增長的應用需求。

3.2. 工業(yè)無損檢測

在工業(yè)應用中，無損檢測(NDT)扮演著至關重要的角色，它確保了產(chǎn)品在不遭受物理損傷的情況下，其質量和安全性得到有效保障。隨著與圖像檢測技術的融合，NDT的能力和效率得到了顯著提升，成為了維護工業(yè)產(chǎn)品質量的強有力工具。利用高分辨率成像技術、尖端圖像處理算法以及機器學習模型，這些綜合技術能夠自動化地識別材料表面的微觀缺陷，精確評估焊接與連接的質量，持續(xù)監(jiān)測復合材料的結構完整性，并準確驗證電子組件的制造精度。

在這一領域，高分辨率成像技術的應用尤為關鍵，其提供的超高像素密度和細節(jié)還原能力，使得檢測過程能夠捕獲材料表面的微觀結構。通過提升圖像的空間分辨率與對比度，這些技術為后續(xù)分析提供了更清晰、更豐富的視覺數(shù)據(jù)基礎，使微米級甚至納米級的特征可視化成為可能，從而為無損檢測的精確性奠定技術前提。

隨著圖像檢測技術的不斷發(fā)展，其在工業(yè)無損檢測領域的應用越來越廣泛。在窄間隙焊縫的缺陷檢測中，Nicolson等[59]以雙串聯(lián)相控陣超聲與FMC成像，在窄間隙焊縫中實時分辨亞毫米級未熔合缺陷，為核電厚壁焊接提供高分辨率在線檢測，使核電與可再生能源等領域厚壁結構的高質量、低成本制造取得可靠保障。在渦輪葉片X射線成像領域，馬鐘、趙歆波等人[60]提出了一種基于頻域亞像素配準與非均勻插值的超分辨率重建技術，該技術利用多幅含相對位移的低分辨率DR圖像，通過傅里葉域精確配準和雙調和樣條插值，實現(xiàn)了分辨率提升至原圖4倍的高保真成像，有效揭示了葉片表面及內部的細微缺陷，實驗驗證其在航空無損檢測中具有顯著的工程應用價值。

這些研究表明，高分辨率圖像技術的進步在工業(yè)無損檢測領域正發(fā)揮越來越關鍵的作用。通過持續(xù)提升成像設備的解析能力與信噪比，該技術為材料微觀結構的可視化提供了更強大的支撐，從而推動無損檢測向更高精度和可靠性發(fā)展。

3.3. 醫(yī)療成像

醫(yī)療成像技術是一種用于獲取人體內部結構圖像的非侵入性或微創(chuàng)性技術，它在臨床診斷和治療中發(fā)揮著至關重要的作用。通過不同的成像原理，如X射線、超聲波、磁共振、放射性核素等，醫(yī)療成像技術通過不斷提升空間分辨率和對比度，能夠以微米級精度呈現(xiàn)人體內部器官、組織的微觀結構，為臨床研究提供高保真圖像基礎。數(shù)據(jù)驅動模型顯著優(yōu)化了成像設備的解析能力與信噪比，使納米級生物特征的可視化成為可能，推動醫(yī)療成像向更高清晰度和效率發(fā)展。

醫(yī)療成像技術結合圖像檢測旨在提高疾病診斷的準確性和效率，高分辨率成像技術(如CT、MRI)通過提升像素密度和層析精度，為圖像處理算法提供了更豐富的結構細節(jié)?；谏疃葘W習的超分辨率重建和噪聲抑制模型，能進一步優(yōu)化原始圖像的紋理清晰度與邊界銳度，使細胞級結構或微血管形態(tài)等亞視覺特征得以清晰呈現(xiàn)，為醫(yī)學研究奠定高質量數(shù)據(jù)基礎。

Sobek等[61]開發(fā)了一個名為Med-YOLO的三維醫(yī)學圖像目標檢測框架，該框架基于YOLO模型。Med-YOLO通過3D版本替換了2D神經(jīng)網(wǎng)絡層，使其能夠理解和分析醫(yī)學圖像中的三維結構。Zhe Guo等[62]的多模態(tài)分割算法，利用超高分辨率圖像疊加，實現(xiàn)了亞毫米級軟組織紋理的精準分層映射。此外，AI醫(yī)學影像模型如SLIViT [63]，它作為一種深度學習模型，能夠快速高效地進行專家級圖像分析，該模型通過融合多尺度分辨率數(shù)據(jù)，在低信噪比條件下仍能保持生物標記物成像的完整性，驗證了高分辨率技術對復雜醫(yī)學圖像分析的普適價值。這些技術的應用，使得醫(yī)學影像檢測更加精確，有助于提高疾病診斷的準確性和治療的成功率。

醫(yī)療成像中的圖像檢測技術面臨的挑戰(zhàn)在于平衡輻射劑量與分辨率需求(如低劑量CT)、突破衍射極限的微觀成像，以及海量高分辨率數(shù)據(jù)的實時處理。未來研究將聚焦開發(fā)輕量化超分辨率算法、量子成像傳感器等硬件革新，以突破現(xiàn)有分辨率極限，實現(xiàn)無損活體納米級成像。

4. 比較與討論

在圖像檢測領域，傳統(tǒng)圖像處理方法(如SIFT、HOG特征提取)依賴人工設計特征與統(tǒng)計模型(PCA、LDA)，其優(yōu)勢在于算法透明、計算效率高，但在復雜場景(如動態(tài)模糊、低紋理區(qū)域)中泛化能力有限。而深度學習模型(CNN、Transformer)通過數(shù)據(jù)驅動的端到端學習，自動挖掘多層次特征表達，顯著提升了對噪聲、形變等干擾的魯棒性。

不同領域對圖像質量的差異化需求，正推動分辨率增強技術沿著“場景定制”路徑快速演進：在工業(yè)檢測中，時序生成模型通過捕捉視頻幀間動態(tài)信息，顯著改善了運動模糊圖像的恢復效果；在醫(yī)學成像領域，三維分割算法借助超高分辨率數(shù)據(jù)，突破了壓縮感知稀疏重建的精度瓶頸；而在文化遺產(chǎn)保護場景，改進的超分辨率模型針對古籍褪色文字進行紋理保真優(yōu)化，有效避免了傳統(tǒng)方法對模糊字形的誤判。

針對視覺質量優(yōu)化問題，當前研究方法呈現(xiàn)出明顯的技術分界：傳統(tǒng)算法憑借人工設計特征的高可解釋性及低計算復雜度占據(jù)基礎優(yōu)勢，但其表征能力受限于先驗模型構建范式，在動態(tài)模糊、弱紋理等復雜成像條件下的泛化性能呈現(xiàn)斷崖式衰減；而深度學習方法通過端到端的層次化特征學習機制顯著提升了系統(tǒng)的魯棒性，卻伴隨著模型參數(shù)量激增引發(fā)的計算資源消耗與訓練數(shù)據(jù)需求的同步激增。為此，現(xiàn)代分辨率增強技術已突破傳統(tǒng)“同質化”超分辨范式，創(chuàng)新性地構建面向工業(yè)檢測、醫(yī)學影像、文化遺產(chǎn)修復等垂直領域的自適應增強框架。通過引入時序生成對抗網(wǎng)絡建模動態(tài)退化過程、構建三維點云高密度重建的物理約束模型以及融合多尺度紋理先驗的損失函數(shù)，該技術范式成功實現(xiàn)了從低層次像素級復現(xiàn)到高層次語義信息增強的技術躍遷，為不同應用場景下的圖像質量提升提供了理論依據(jù)與方法支撐。

5. 發(fā)展趨勢

基于數(shù)據(jù)驅動模型的現(xiàn)有突破與共性挑戰(zhàn)，未來研究將聚焦以下方向：

(1) 提升數(shù)據(jù)預處理和特征提取的精度

在視覺數(shù)據(jù)的預處理階段，對圖像進行降噪、增強和歸一化等操作至關重要。這些操作能夠提高后續(xù)模型訓練的效率和檢測的準確性。特征提取作為視覺數(shù)據(jù)處理的關鍵步驟，直接影響到模型的性能。未來的研究需要開發(fā)更先進的算法，以提高特征提取的精度和魯棒性，尤其是在復雜環(huán)境下對目標的識別和分類。例如，深度學習模型如卷積神經(jīng)網(wǎng)絡(CNN)和Transformer在特征提取方面展現(xiàn)出了強大的能力，未來的研究可以進一步探索這些模型在視覺數(shù)據(jù)處理中的應用。

(2) 探索基于深度學習的多模態(tài)融合技術。

多模態(tài)融合技術通過整合來自不同傳感器或不同來源的數(shù)據(jù)，能夠提供更全面的圖像信息，提高檢測的準確性和魯棒性。深度學習模型，尤其是多模態(tài)深度學習模型，為處理和融合多源數(shù)據(jù)提供了強大的工具。未來的研究可以探索如何利用深度學習模型來處理和融合來自不同模態(tài)的數(shù)據(jù)，以提高視覺數(shù)據(jù)處理的性能。

(3) 發(fā)展小樣本學習和模型可解釋性

在實際應用中，某些場景下標注數(shù)據(jù)的獲取可能非常昂貴或不可行，這就需要模型能夠在少量標注數(shù)據(jù)上進行有效的學習。小樣本學習技術可以幫助模型在數(shù)據(jù)稀缺的情況下進行學習。同時，模型的可解釋性也是視覺數(shù)據(jù)處理領域的一個重要研究方向，它可以幫助用戶理解模型的決策過程，增強對模型的信任。

(4) 推動無監(jiān)督和自監(jiān)督學習技術的發(fā)展

無監(jiān)督學習技術可以在沒有標注數(shù)據(jù)的情況下發(fā)現(xiàn)數(shù)據(jù)中的模式和結構，這對于大規(guī)模圖像數(shù)據(jù)的處理尤為重要。自監(jiān)督學習技術通過設計預測任務，使模型能夠從未標注的數(shù)據(jù)中學習有用的特征表示。這些技術的發(fā)展將進一步拓寬視覺數(shù)據(jù)處理技術的應用范圍。

(5) 應對實際成像環(huán)境的復雜性

實際成像環(huán)境的復雜性對視覺數(shù)據(jù)處理技術提出了挑戰(zhàn)，包括光照變化、遮擋、動態(tài)場景等問題。未來的研究需要開發(fā)更加魯棒的模型，以應對這些復雜環(huán)境的影響。

綜上所述，視覺數(shù)據(jù)處理領域的數(shù)據(jù)驅動模型正朝著提高預處理和特征提取精度、探索多模態(tài)融合技術、發(fā)展小樣本學習和模型可解釋性、推動無監(jiān)督和自監(jiān)督學習技術發(fā)展以及應對實際成像環(huán)境復雜性等方向發(fā)展。這些趨勢將共同推動視覺數(shù)據(jù)處理技術的進步，以適應不斷增長的實際應用需求。

6. 總結與展望

本文系統(tǒng)綜述了視覺數(shù)據(jù)處理數(shù)據(jù)驅動模型的發(fā)展脈絡與技術體系，重點聚焦圖像分辨率提升的關鍵技術路徑與應用前景。通過對三維重建、壓縮感知、單像素成像及超分辨率等核心技術的剖析，揭示了數(shù)據(jù)驅動模型從傳統(tǒng)機器學習到深度學習(CNN、Transformer、DDPM)的范式演進。研究表明，物理機制與數(shù)據(jù)驅動的深度融合、多模態(tài)協(xié)同重建、邊緣輕量化部署已成為突破現(xiàn)有技術瓶頸的關鍵方向。綜上，筆者認為視覺數(shù)據(jù)處理領域下一步的研究重點方向如下。

(1) 多模態(tài)融合技術的發(fā)展：目前的融合框架多數(shù)是基于兩種不同來源的圖像，未來研究應探索將更多種類的圖像數(shù)據(jù)融合在一起，以期獲得更豐富全面的特征信息。這將有效改善當前大部分融合算法提取的特征為單一特征的局限性，提高視覺數(shù)據(jù)處理的準確性和魯棒性。

(2) 預處理技術的整合與智能化：隨著圖像配準、特征提取等預處理技術的快速發(fā)展，未來的研究應著力于將這些處理模塊與融合模塊整合為一套智能的處理系統(tǒng)，實現(xiàn)一站式融合。這將降低對輸入圖像的要求，擴大多源圖像融合技術的應用范圍，并提升用戶體驗。

(3) 評價指標的標準化：融合算法的性能并不總是與融合圖像性能完全匹配，現(xiàn)有的評價指標也不完全等同于圖像的主觀評價。因此，為了更客觀地評價融合效果，未來研究需要制定和規(guī)范評價標準，提升評價質量，以更好地指導圖像融合技術的發(fā)展和應用。

綜上所述，視覺數(shù)據(jù)處理領域的數(shù)據(jù)驅動模型正面臨著新的挑戰(zhàn)和機遇，未來的研究將在多模態(tài)融合技術、預處理技術的整合與智能化、評價指標的標準化等方面取得新的進展，推動視覺數(shù)據(jù)處理技術向更高精度、更廣應用和更深理解的方向發(fā)展。

致謝

衷心感謝山西省青年科學研究項目“高溫環(huán)境下爐外磁場差分實現(xiàn)大型礦熱爐電極端部位置的在線檢測”(202103021223067)所提供的支持。

NOTES

*通訊作者。

參考文獻

[1]	Moulon, P., Monasse, P. and Marlet, R. (2013) Global Fusion of Relative Motions for Robust, Accurate and Scalable Structure from Motion. 2013 IEEE International Conference on Computer Vision, Sydney, 1-8 December 2013, 3248-3255. [Google Scholar] [CrossRef]
[2]	Heller, J., Havlena, M., Jancosek, M., Torii, A. and Pajdla, T. (2015) 3D Reconstruction from Photographs by CMP SfM Web Service. 2015 14th IAPR International Conference on Machine Vision Applications (MVA), Tokyo, 18-22 May 2015, 30-34. [Google Scholar] [CrossRef]
[3]	Schonberger, J.L. and Frahm, J. (2016) Structure-from-Motion Revisited. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, 27-30 June 2016, 4104-4113. [Google Scholar] [CrossRef]
[4]	Cui, H., Gao, X., Shen, S. and Hu, Z. (2017) HSFM: Hybrid Structure-from-Motion. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, 21-26 July 2017, 2393-2402. [Google Scholar] [CrossRef]
[5]	Yin, H.Y. and Yu, H.Y. (2020) Incremental SFM 3D Reconstruction Based on Monocular. 2020 13th International Symposium on Computational Intelligence and Design (ISCID), Hangzhou, 12-13 December 2020, 17-21. [Google Scholar] [CrossRef]
[6]	Seitz, S.M., Curless, B., Diebel, J., Scharstein, D. and Szeliski, R. (2006) A Comparison and Evaluation of Multi-View Stereo Reconstruction Algorithms. 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, New York, 17-22 June 2006, 519-528.
[7]	Sinha, S.N., Mordohai, P. and Pollefeys, M. (2007) Multi-View Stereo via Graph Cuts on the Dual of an Adaptive Tetrahedral Mesh. 2007 IEEE 11th International Conference on Computer Vision, Rio de Janeiro, 14-21 October 2007, 1-8. [Google Scholar] [CrossRef]
[8]	Lin, X.B., Wang, J.X. and Lin, C. (2020) Research on 3D Reconstruction in Binocular Stereo Vision Based on Feature Point Matching Method. 2020 IEEE 3rd International Conference on Information Systems and Computer Aided Education (ICISCAE), Dalian, 27-29 September 2020, 551-556. [Google Scholar] [CrossRef]
[9]	Wang, Y.X., Lu, Y.W., Xie, Z.H. and Lu, G.Y. (2021) Deep Unsupervised 3D SfM Face Reconstruction Based on Massive Landmark Bundle Adjustment. Proceedings of the 29th ACM International Conference on Multimedia, Chengdu, 20-24 October 2021, 1350-1358. [Google Scholar] [CrossRef]
[10]	Lindenberger, P., Sarlin, P., Larsson, V. and Pollefeys, M. (2021) Pixel-Perfect Structure-From-Motion with Featuremetric Refinement. 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, 10-17 October 2021, 5967-5977. [Google Scholar] [CrossRef]
[11]	Zhou, L., Zhang, Z., Jiang, H., Sun, H., Bao, H. and Zhang, G. (2021) DP-MVS: Detail Preserving Multi-View Surface Reconstruction of Large-Scale Scenes. Remote Sensing, 13, Article 4569. [Google Scholar] [CrossRef]
[12]	Eigen D., Puhrsch, C. and Fergus, R. (2014) Depth Map Prediction from a Single Image Using a Multi-Scale Deep Network. International Conference on Neural Information Processing Systems, Cambridge, 8-13 December 2014, 2366-2374.
[13]	Eigen, D. and Fergus, R. (2015) Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture. 2015 IEEE International Conference on Computer Vision (ICCV), Santiago, 7-13 December 2015, 2650-2658. [Google Scholar] [CrossRef]
[14]	Crispell, D. and Bazik, M. (2017) Pix2Face: Direct 3D Face Model Estimation. 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), Venice, 22-29 October 2017, 2512-2518. [Google Scholar] [CrossRef]
[15]	Yao, Y., Luo, Z., Li, S., Fang, T. and Quan, L. (2018) MVSNet: Depth Inference for Unstructured Multi-View Stereo. In: Lecture Notes in Computer Science, Springer, 785-801. [Google Scholar] [CrossRef]
[16]	Yao, Y., Luo, Z., Li, S., Shen, T., Fang, T. and Quan, L. (2019) Recurrent MVSNet for High-Resolution Multi-View Stereo Depth Inference. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, 15-20 June 2019, 5520-5529. [Google Scholar] [CrossRef]
[17]	Chen, R., Han, S., Xu, J. and Su, H. (2019) Point-Based Multi-View Stereo Network. 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, 27 October-2 November 2019, 1538-1547. [Google Scholar] [CrossRef]
[18]	Zhang, J., Yao, Y., Li, S., Luo, Z. and Fang, T. (2020) Visibility-Aware Multi-View Stereo Network. Proceedings of the British Machine Vision Conference 2020, Manchester, 7-10 September 2020, 184-200. [Google Scholar] [CrossRef]
[19]	Wei, Z., Zhu, Q., Min, C., Chen, Y. and Wang, G. (2021) AA-RMVSNet: Adaptive Aggregation Recurrent Multi-View Stereo Network. 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, 10-17 October 2021, 6167-6176. [Google Scholar] [CrossRef]
[20]	Peng, R., Wang, R., Wang, Z., Lai, Y. and Wang, R. (2022) Rethinking Depth Estimation for Multi-View Stereo: A Unified Representation. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, 18-24 June 2022, 18-24. [Google Scholar] [CrossRef]
[21]	Mildenhall, B., Srinivasan, P.P., Tancik, M., Barron, J.T., Ramamoorthi, R. and Ng, R. (2020) NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis. In: Lecture Notes in Computer Science, Springer, 405-421. [Google Scholar] [CrossRef]
[22]	Yen-Chen, L., Florence, P., Barron, J.T., Rodriguez, A., Isola, P. and Lin, T. (2021). iNeRF: Inverting Neural Radiance Fields for Pose Estimation. 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Prague, 27 September-1 October 2021, 1323-1330. [CrossRef]
[23]	Xu, Q.G., Xu, Z., Philip, J., Bi, S., Shu, Z., Sunkavalli, K., et al. (2022) Point-NeRF: Point-Based Neural Radiance Fields. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, 18-24 June 2022, 5428-5438. [Google Scholar] [CrossRef]
[24]	Xu, L., Xiangli, Y., Peng, S., Pan, X., Zhao, N., Theobalt, C., et al. (2023) Grid-Guided Neural Radiance Fields for Large Urban Scenes. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, 17-24 June 2023, 8296-8306. [Google Scholar] [CrossRef]
[25]	Stucker, C. and Schindler, K. (2020) ResDepth: Learned Residual Stereo Reconstruction. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Seattle, 14-19 June 2020, 707-716. [Google Scholar] [CrossRef]
[26]	Peng, S.D., Zhang, Y.Q., Xu, Y.H., Wang, Q.Q., Shuai, Q., Bao, H.J. and Zhou, X.W. (2021) Neural Body: Implicit Neural Representations with Structured Latent Codes for Novel View Synthesis of Dynamic Humans. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, 20-25 June 2021, 9050-9059. [Google Scholar] [CrossRef]
[27]	Huang, Y.H., He, Y., Yuan, Y.J., Lai, Y.K. and Gao, L. (2022) StylizedNeRF: Consistent 3D Scene Stylization as Stylized Nerf via 2D-3D Mutual Learning. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, 18-24 June 2022, 18321-18331. [Google Scholar] [CrossRef]
[28]	Yu, L., Li, X., Fu, C., Cohen-Or, D. and Heng, P. (2018) Pu-Net: Point Cloud Upsampling Network. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, 18-23 June 2018, 2790-2799. [Google Scholar] [CrossRef]
[29]	Li, R., Li, X., Fu, C., Cohen-Or, D. and Heng, P. (2019) PU-GAN: A Point Cloud Upsampling Adversarial Network. 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, 27 October-2 November 2019, 7202-7211. [Google Scholar] [CrossRef]
[30]	He, Y., Tang, D., Zhang, Y., Xue, X. and Fu, Y. (2023) Grad-Pu: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, 17-24 June 2023, 5354-5363. [Google Scholar] [CrossRef]
[31]	Mildenhall, B., Srinivasan, P.P., Tancik, M., Barron, J.T., Ramamoorthi, R. and Ng, R. (2020) NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis. In: Lecture Notes in Computer Science, Springer, 405-421. [Google Scholar] [CrossRef]
[32]	Li, S.Y., Yang, W. and Liao, Q. (2024) PMAFusion: Projection-Based Multi-Modal Alignment for 3D Semantic Occupancy Prediction. 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Seattle, 17-18 June 2024, 3627-3634. [Google Scholar] [CrossRef]
[33]	Jiang, H.W., Huang, Q. and Pavlakos, G. (2024) Real3D: Scaling up Large Reconstruction Models with Real-World Images. [Google Scholar] [CrossRef]
[34]	Yoshida, S., Sun, Z., Yoshizawa, S., Michikawa, T., Noda, S., Micheletto, R., et al. (2024). Image Compressed Sensing Based on Vision-Inspired Importance Maps. 2024 IEEE International Conference on Imaging Systems and Techniques (IST), Tokyo, 14-16 October 2024, 1-6. [CrossRef]
[35]	He, Y.C., Wang, F., Wang, S.Y. and Chen, B.D. (2017) Diffusion Adaptation Framework for Compressive Sensing Reconstruction. Signal Processing, 176, Article 107660.
[36]	Oikonomou, V.P., Nikolopoulos, S. and Kompatsiaris, I. (2019) A Novel Compressive Sensing Scheme under the Variational Bayesian Framework. 2019 27th European Signal Processing Conference (EUSIPCO), A Coruna, 2-6 September 2019, 1-5. [Google Scholar] [CrossRef]
[37]	Li, S., Ling, Z. and Zhu, K. (2024) Image Super Resolution by Double Dictionary Learning and Its Application to Tool Wear Monitoring in Micro Milling. Mechanical Systems and Signal Processing, 206, Article 110917. [Google Scholar] [CrossRef]
[38]	Beck, A. and Teboulle, M. (2009) A Fast Iterative Shrinkage-Thresholding Algorithm with Application to Wavelet-Based Image Deblurring. 2009 IEEE International Conference on Acoustics, Speech and Signal Processing, Taipei, 19-24 April 2009, 693-696. [Google Scholar] [CrossRef]
[39]	Li, C.B. (2010) An Efficient Algorithm for Total Variation Regularization with Applications to the Single Pixel Camera and Compressive Sensing. Master’s Thesis, Rice University.
[40]	Bian, S. and Zhang, L. (2021) Overview of Match Pursuit Algorithms and Application Comparison in Image Reconstruction. 2021 IEEE Asia-Pacific Conference on Image Processing, Electronics and Computers (IPEC), Dalian, 14-16 April 2021, 216-221. [Google Scholar] [CrossRef]
[41]	Khatib, R., Simon, D. and Elad, M. (2020) Learned Greedy Method (LGM): A Novel Neural Architecture for Sparse Coding and beyond. Journal of Visual Communication and Image Representation, 77, Article 103095. [Google Scholar] [CrossRef]
[42]	Li, S., Wang, H., Liu, T., Cui, Z., Chen, J.N. and Xia, Z. (2021) A Fast Barzilai-Borwein Gradient Projection for Sparse Reconstruction Algorithm Based on 3D Modeling: Application to ERT Imaging. IEEE Access, 9, 152913-152922. [Google Scholar] [CrossRef]
[43]	Yang, Y., Sun, J., Li, H. and Xu, Z. (2020) ADMM-CSNet: A Deep Learning Approach for Image Compressive Sensing. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42, 521-538. [Google Scholar] [CrossRef] [PubMed]
[44]	Li, X., Ran, J. and Zhou, Z. (2022) An Efficient 3D Radar Imaging Algorithm Based on FISTA. 2022 IEEE 9th International Symposium on Microwave, Antenna, Propagation and EMC Technologies for Wireless Communications (MAPE), Chengdu, 26-29 August 2022, 419-423. [Google Scholar] [CrossRef]
[45]	Huang, S., Chen, Y. and Qiao, T. (2021) An Extended Reweighted ?1 Minimization Algorithm for Image Restoration. Mathematics, 9, Article 3224. [Google Scholar] [CrossRef]
[46]	Edgar, M.P., Gibson, G.M. and Padgett, M.J. (2018) Principles and Prospects for Single-Pixel Imaging. Nature Photonics, 13, 13-20. [Google Scholar] [CrossRef]
[47]	Monin, S., Hahamovich, E. and Rosenthal, A. (2021) Single-Pixel Imaging of Dynamic Objects Using Multi-Frame Motion Estimation. Scientific Reports, 11, Article No. 7712. [Google Scholar] [CrossRef] [PubMed]
[48]	Zhuang, Z., Li, T.H., Wang, H.K., et al. (2022) Blind Image Deblurring with Unknown Kernel Size and Substantial Noise. [Google Scholar] [CrossRef]
[49]	Song, H., Nie, X., Su, H., Chen, H., Zhou, Y., Zhao, X., et al. (2021) 0.8% Nyquist Computational Ghost Imaging via Non-Experimental Deep Learning. Optics Communications, 520, Article 128450. [Google Scholar] [CrossRef]
[50]	Zhang, H., Zhao, Q., Xu, W., Wang, Y., Li, F., Liu, S., et al. (2024) Optical Single-Channel Color Image Encryption Based on Chaotic Palmprint Phase Masks. Journal of Optics, 53, 3342-3350. [Google Scholar] [CrossRef]
[51]	Liu, S.P., Wu, H., Li, Q., Meng, X. and Yin, Y. (2023) Super-Coding Resolution Single-Pixel Imaging Based on Unpaired Data-Driven Deep Learning. Optics and Lasers in Engineering, 170, Article 107786. [Google Scholar] [CrossRef]
[52]	Liang, J.Y., Cao, J.Z., Sun, G.L., Zhang, K., et al. (2021) SwinIR: Image Restoration Using Swin Transformer. 2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), Montreal, 11-17 October 2021, 1833-1844. [Google Scholar] [CrossRef]
[53]	Zhang, K., Liang, J.Y., Van Gool, L. and Timofte, R. (2021) Designing a Practical Degradation Model for Deep Blind Image Super-Resolution. 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, 10-17 October 2021, 4771-4780. [Google Scholar] [CrossRef]
[54]	Salvetti, F., Mazzia, V., Khaliq, A. and Chiaberge, M. (2020) Multi-Image Super Resolution of Remotely Sensed Images Using Residual Attention Deep Neural Networks. Remote Sensing, 12, Article No. 2207. [Google Scholar] [CrossRef]
[55]	Song, Q., Xiu, M., Nie, Y., Hu, M. and Liu, C. (2024) CoT-MISR: Marrying Convolution and Transformer for Multi-Image Super-Resolution. Multimedia Tools and Applications, 83, 76891-76903. [Google Scholar] [CrossRef]
[56]	Li, H.A., Zheng, Q.X., Tao, R.L., et al. (2023) Review of Image Super-Resolution Based on Deep Learning. Journal of Graphics, 44, 1-15.
[57]	倪劼, 柳青遠, 周莉. 利用改進的Real-ESRGAN模型進行歷史圖像超分辨率重建研究[J]. 信息與管理研究, 2025, 10(1): 65-77.
[58]	Xie, J. and Cheng, X. (2024) Volleyball Game Tactical Data Prediction System Using Computer Vision Technology. 2024 2nd International Conference on Mechatronics, IoT and Industrial Informatics (ICMIII), Melbourne, 12-14 June 2024, 588-594. [Google Scholar] [CrossRef]
[59]	Nicolson, E., Mohseni, E., Lines, D., Tant, K.M.M., Pierce, G. and MacLeod, C.N. (2024) Towards an In-Process Ultrasonic Phased Array Inspection Method for Narrow-Gap Welds. NDT & E International, 144, Article 103074. [Google Scholar] [CrossRef]
[60]	馬鐘, 趙歆波, 艾鑫, 張珂. 渦輪葉片X射線圖像超分辨率重建技術[J]. CT理論與應用研究(中英文), 2010, 19(1): 41-47.
[61]	Sobek, J., Medina Inojosa, J.R., Medina Inojosa, B.J., et al. (2023) MedYOLO: A Medical Image Object Detection Framework. [Google Scholar] [CrossRef]
[62]	Guo, Z., Li, X., Huang, H., Guo, N. and Li, Q. (2019) Deep Learning-Based Image Segmentation on Multimodal Medical Imaging. IEEE Transactions on Radiation and Plasma Medical Sciences, 3, 162-169. [Google Scholar] [CrossRef] [PubMed]
[63]	Avram, O., Durmus, B., Rakocz, N., Corradetti, G., An, U., Nittala, M.G., et al. (2024) Accurate Prediction of Disease-Risk Factors from Volumetric Medical Scans by a Deep Vision Model Pre-Trained with 2D Scans. Nature Biomedical Engineering, 9, 507-520. [Google Scholar] [CrossRef] [PubMed]