---
title: "影像超解析度（Image Super-resolution）"
slug: image-super-resolution
language: zh-TW
source: https://aiterms.tw/terms/image-super-resolution
updated_at: 2026-06-23
tags: [電腦視覺, 影像增強, 深度學習, 生成式模型, 低階視覺]
ipas_term: false
---

# 影像超解析度（Image Super-resolution）

從低解析度影像重建高解析度版本，增加像素數或恢復細節，廣泛應用於監視、醫療影像、老照片增強。

## 完整說明

影像超解析度（Image Super-resolution）是一項利用低解析度（LR）影像恢復高解析度（HR）版本的任務，核心是通過學習或優化方法，推斷並補充低解析度影像中遺失的高頻信息（細節與邊界）。超解析度既可採用傳統的上採樣插值加銳化，也可透過深度卷積神經網路、生成對抗網路或擴散模型進現代化實現，應用於監視錄像增強、醫療影像細節恢復、老照片復原、以及衛星影像處理等領域。

## 常見問題

### 超解析度真的能恢復原始高解析度影像嗎？

不能完全恢復。超解析度的本質是「推測」而非「恢復」，因為低解析度影像已經遺失了高頻信息。超解析度模型學習的是統計規律：給定一個低解析度塊，最「可能」的高解析度對應是什麼。這意味著兩個不同的高解析度影像可能產生相同的低解析度版本，超解析度只能選擇最可能的一種。因此，超解析度結果可能包含訓練集中常見的「幻覺」細節，與原始影像並不完全相同。

### 為什麼高倍數超解析度（8x）比 4x 難得多？

倍數越高，需要恢復的高頻信息越多。4x 超解析度有相對豐富的邊界與結構線索；8x 時，低解析度影像極度模糊，難以判斷高頻細節應如何分佈。此外，高倍數重建的錯誤會累積，模型容易生成視覺上不自然的虛假細節或重複紋理。解決方式包括：使用多步超解析度（先 4x 再 2x）、引入更強的約束（如邊界檢測）、或採用生成模型（GAN 或擴散）允許多樣化輸出。

### PSNR 很高的超解析度結果看起來卻很模糊，為什麼？

PSNR 是像素級誤差度量，對視覺質量的反映不夠敏感。簡單的雙三次插值可能有很高的 PSNR（因為像素誤差小），但結果模糊；而添加銳化或紋理增強的方法 PSNR 可能降低（像素偏差增加），但視覺上更清晰。因此，推薦同時報告 SSIM、LPIPS 等感知相似度指標，或進行人眼評估。實踐中，基於感知損失（perceptual loss）訓練的模型視覺質量通常優於單純 L2 損失模型。

---

來源：https://aiterms.tw/terms/image-super-resolution
快查頁：https://aiterms.tw/terms/image-super-resolution
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-image-super-resolution