与第三章方法相比，本章主要解决的具有一定边缘特征的扩展目标超分辨重建问题。当场景中同时存在稀疏目标与扩展目标时，根据场景回波特性，确定场景类型。场景分块，分治处理。/改写

图像超分辨率重建是一个在计算机视觉领域中备受关注的研究方向，其核心目标是提升低分辨率图像的分辨率，以改善图像质量和细节4。在探索目标超分辨率重建问题的解决方案时，研究人员提出了多种方法，包括基于深度学习的方法、扩散模型、卷积Transformer层以及高效全局注意网络等。

基于深度学习的方法

1. 单图像超分辨率（SISR）：最近，基于深度学习的SISR方法表现出了令人印象深刻的性能。这些方法通过最小化与给定高分辨率图像的像素距离来训练网络，但对不适定反问题的应用尚未得到深入研究2。

2. 多图像超分辨率：除了单图像超分辨率，多图像超分辨率也是研究的热点。这种方法利用多张低分辨率图像中的额外信息来提升重建质量。

3. 深度学习模型的分解：在深度学习模型中，目标高分辨率图像可以分解为最佳中心点和固有噪声两部分，以更好地理解其基本组成2。

扩散模型

扩散模型通过学习从低分辨率图像到高分辨率图像的映射关系，实现图像的超分辨率重建。这种方法能够在保持图像细节的同时，有效地提高图像的分辨率6。

卷积Transformer层和ConvFormer超分辨率网络

为了解决轻量级图像超分辨率任务，研究人员引入了卷积Transformer层(ConvFormer)和基于ConvFormer的超分辨率网络(CFSR)。CFSR利用大核卷积作为特征混合器来取代自注意力模块，以较小的计算成本有效地模拟长程依赖关系和广泛的感受野。此外，提出了一个边缘保留的前馈网络(EFN)，以获得局部特征聚合，同时保留更多的高频信息7。

高效全局注意网络

针对现有高效超分辨率重建算法的局限性，提出了一种高效全局注意网络。该网络设计了交叉自适应特征块对图像进行不同层次的深度特征提取，以改善图像高频细节信息缺失的问题。同时，构造了近邻像素重构块，将空间关联性和像素分析相结合，进一步促进边缘细节信息的重建。此外，提出了一种多阶段动态余弦热重启训练策略，通过动态调整学习率以避免模型过拟合，提高训练过程的稳定性并优化网络性能8。

序列超分辨率方法

针对现有超分辨算法运动估计不准的问题，提出了一种基于非局部正则化和可靠运动估计的序列超分辨率方法。在运动估计阶段，引入了一个多边约束滤波器，该滤波器能够利用可靠的运动估计信息来对不可靠的运动估计进行纠正。在重建阶段，利用图像自身的非局部相似性来构造图像先验知识，有效减少重建结果中的视觉干扰现象，并降低配准误差对重建结果的影响。在后处理阶段，提出了一种从图像中的强边缘区域获取有效信息进行模糊核估计的去模糊方法，以改善序列超分辨的重建质量9。

通过上述方法的介绍，我们可以看到，目标超分辨率重建问题是一个多维度、多层次的问题，需要综合考虑图像的高频细节、运动估计、非局部相似性等多个因素。未来的研究可能会集中在进一步提升重建质量、降低计算成本以及提高算法的实用性和泛化能力上。