1. 本选题研究的目的及意义
图像超分辨率重建技术旨在从低分辨率图像中恢复出高分辨率图像，近年来已成为计算机视觉和图像处理领域的研究热点。
本选题以cnn为核心，探究其在单幅图像超分辨率重建任务中的应用，具有重要的理论意义和实际应用价值。
1. 研究目的
2. 本选题国内外研究状况综述
图像超分辨率重建技术发展至今，已涌现出众多方法，大致可分为基于插值、基于重建和基于学习三大类。
近年来，深度学习，尤其是卷积神经网络（cnn）以其强大的特征提取能力，在图像超分辨率领域取得了突破性进展。
1. 国内研究现状
3. 本选题研究的主要内容及写作提纲
1. 主要内容
本研究将以cnn为核心，围绕单幅图像超分辨率重建任务展开研究，主要内容包括：1.cnn基础理论研究:深入研究cnn的基本结构、工作原理以及在图像处理中的应用，为后续构建超分辨率重建模型奠定基础。
2.图像超分辨率重建方法综述:对传统的基于插值和基于重建的超分辨率重建方法进行概述，并重点介绍基于学习的超分辨率重建方法，分析其优缺点。
4. 研究的方法与步骤
本研究将采用理论分析、模型设计、实验验证相结合的研究方法。
1.首先进行文献调研，深入研究cnn的基本理论、图像超分辨率重建技术的发展现状以及相关算法，为后续研究奠定基础。
2.借鉴现有cnn模型的设计思路，结合单幅图像超分辨率重建任务的特点，设计合理、高效的网络结构，并通过实验确定网络的最佳参数。
5. 研究的创新点
本研究的创新点主要体现在以下几个方面：1.高效cnn网络结构设计:针对单幅图像超分辨率重建任务的特点，设计轻量级、高效的cnn网络结构，在保证重建效果的同时，降低模型的计算复杂度，提升重建速度。
2.新型损失函数设计:研究适用于超分辨率重建任务的新型损失函数，例如结合感知损失、对抗损失等，提升重建图像的视觉质量，使其更接近真实图像。
3.深度学习与传统方法的结合:探索将深度学习与传统超分辨率重建方法相结合，例如将cnn与基于插值、基于重建的方法相结合，充分利用各自优势，进一步提升重建效果。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
[1]杨萌,李俊山,王刚,等.基于深度学习的图像超分辨率重建综述[j].液晶与显示,2018,33(11):1009-1021.
[2]董超,李金屏,田金文.图像超分辨率重建技术综述[j].电子学报,2019,47(5):1156-1168.
[3]张文豪,徐欣,王向阳.基于深度学习的图像超分辨率重建技术综述[j].计算机科学,2018,45(6):1-10.
