摘要

近年来，单张图像超分辨率（Single Image Super-Resolution, SISR）领域的进展充分展现了深度学习在提升性能方面的强大能力。然而，由于红外（Infrared, IR）图像超分辨率任务中重新收集训练数据并重新训练模型成本高昂，导致可用于恢复红外图像的样本数量极为有限，这成为SISR领域面临的一项重要挑战。为解决该问题，本文首先提出一种渐进式超分辨率生成对抗网络（Progressive Super-Resolution Generative Adversarial Network, PSRGAN），该网络包含主路径与分支路径结构。在主路径中，采用深度可分离残差块（Depthwise Residual Block, DWRB）对红外图像特征进行有效表征；在分支路径中，则引入一种新型轻量级浅层知识蒸馏残差块（Shallow Lightweight Distillation Residual Block, SLDRB），用于提取 readily available 可见光图像的特征。此外，受迁移学习思想的启发，本文进一步提出一种多阶段迁移学习策略，用以弥合不同高维特征空间之间的差异，从而进一步提升PSRGAN的性能表现。最后，基于两个公开数据集的定量与定性评估结果表明，所提出的PSRGAN方法在超分辨率重建效果上优于现有的多种主流方法。