图像作为人类生产生活中不可或缺的信息载体,扮演着至关重要的角色。真实场景中的图像常常受到成像器材以及成像环境的制约,分辨率往往无法满足观看的要求。超分辨率重建技术旨在从一张或多张模糊的低分辨率图像中重建出对应的高分辨率图像,从而实现图像分辨率的提升。本文基于真实场景下的未知模糊核盲超分问题、非配对数据半监督模型和超分辨模型轻量化,针对相应的科学问题提出了三个超分辨率重建算法,主要研究工作概括如下:1)提出一种基于模糊核自估计迭代的图像盲超分辨率模型。现有主流盲超分辨率算法主要通过固定模糊核构建配对的数据集,但同时会把该模糊核用来指导模型训练,然而真实盲超分辨率场景中的模糊核是未知的,因此不能将已知模糊核当作监督信息指导算法训练。针对这个问题,设计了两个模块:图像迭代还原模块和模糊核自估计模块。首先初始化一个模糊核,图像迭代还原模块利用该模糊核的降质信息,与低分辨率图像中的多层信息进行特征融合,辅助网络重建出清晰的高分辨率图像,然后模糊核自估计模块学习高、低分辨率图像的失真差异来估计模糊核,并通过自监督学习更新该模糊核,图像迭代还原模块则继续结合更新后的模糊核还原高分辨率图像,反复交替迭代这两个模块,实现模糊核迭代估计与图像迭代重建。在合成数据集和真实图像上进行的大量实验表明,该算法优于多数最先进的算法,并有更直观的视觉效果。2)提出一种基于可逆网络的非配对图像半监督超分辨率模型。现有主流非配对超分辨率算法将图像降质与重建作为两个独立的域迁移过程进行建模,而本算法则是用可逆网络将图像降质与重建统一到同一个可逆网络中。具体来说,可逆网络的正过程是图像降质,将高分辨率图像转化为低分辨率图像和高斯分布,可逆网络的逆过程是图像重建,利用低分辨率图像和高斯分布,来生成对应的高分辨率图像,然后对这两个过程分别采用生成对抗网络去提高图像的质量与逼真度。同时本算法引入了质量指导模块,该模块会对重建图像进行质量评估,得到质量排名,通过反向传播使可逆网络生成质量排名更高的图像,在该模块的加持下,本算法重建的图像有着更高的质量分数表现以及更好的视觉体验。在真实图像上进行的大量实验表明,本算法优于最新非配对超分辨率重建算法,并且有更直观的视觉效果。3)提出一种基于残差蒸馏网络的轻量化超分辨重建模型。现有的轻量化超分辨率模型主要通过削减网络模块数和通道数来减少参数量,但这会降低网络结构的表征能力,影响网络对图像特征信息的提取与运用。本算法首先提出了残差蒸馏结构,该结构在网络提取图像特征的同时,对特征自身进行信息蒸馏,实现了网络中间特征的轻量化,进而降低网络参数量,且蒸馏特征有助于提升重建图像质量。此外,本方法利用通道间的长依赖关系,对通道互相关性进行建模,实现了网络对不同通道的不同关注度,进一步提高网络表征能力。实验证明基于残差蒸馏网络的轻量化超分辨率重建算法在重建图像质量和模型资源消耗上都要优于大多数主流算法。