超分辨率（SR）成像作為計算機視覺的核心任務，旨在從低分辨率輸入中恢復高分辨率圖像，廣泛應用于醫學影像、遙感對地觀測及移動智能終端。近年來，深度學習極大地推動了SR技術的發展。然而，傳統的手工設計模型（Handcrafted Designs）高度依賴專家經驗，且面臨泛化性差、計算開銷大、開發周期長等痛點。神經架構搜索（NAS）作為一種自動化網絡設計的范式，為克服這些局限性提供了新思路，但其在SR領域的應用仍處于初級階段，面臨計算成本過高、搜索架構泛化性受限等關鍵挑戰。

圖1. 神經網絡架構搜索實現了從人工繁瑣設計到機器自動構建的范式轉變

        近日，中國科學院大學郭玉婷研究團隊在人工智能領域國際權威期刊（影響因子13.9）《Artificial Intelligence Review》上發表了題為“A review of neural architecture search methods for super-resolution imaging”的綜述論文。該研究系統性地梳理了NAS在超分辨率成像中的發展歷程，深入剖析了搜索空間、搜索  策略及性能評估機制，并探討了NAS在單張圖像、遙感及視頻超分辨率中的前沿應用，為自動化設計高性能、輕量化的SR算法提供了重要參考。

        研究團隊從NAS的三大核心組件入手，詳細解構了SR-NAS的技術特征：1）搜索空間設計：由早期的簡單算子堆疊演進為融合空間注意力、殘差增強及頻率域先驗的任務感知型設計；2）搜索策略演變：分析了從資源密集型的強化學習（RL）和進化算法（EA）向高效的可微分搜索（Differentiable NAS）及零成本搜索（Zero-cost NAS）的飛躍；3）多維度評估機制：探討了如何平衡重建精度（PSNR/SSIM）與硬件感知指標（延遲、功耗、模型大�。�，以實現Pareto最優。

圖2. 鏈式、單元式與超網絡式三種搜索空間定義了 NAS 不同的網絡演化邏輯

 

        NAS生成的模型在多個應用領域表現出顯著優勢：在單張圖像超分辨率（SISR）中，如FALSR和DeCoNAS等模型在保持與手工設計模型相當性能的同時，極大地降低了乘加運算（MACs）和參數量；在遙感領域，NAS能更有效地捕捉復雜的空間-光譜特征；在視頻超分辨率（VSR）中，自動化搜索顯著提升了時空域信息的重構效率。

圖3. 經過 NAS 優化的 EDVR 模型在視頻修復中展現出頂級的視覺增強效果

        針對未來研究方向，團隊提出了三大建議：1）降低搜索成本：開發基于結構指標的訓練無關預測器；2）增強跨域泛化能力：提升輕量化模型在復雜環境（如低光、水下）下的魯棒性；3）整合前沿范式：將NAS與模型剪枝、量化等壓縮技術深度整合，推動SR模型在受限邊緣設備上的實際部署。

        該研究首次全面闡明了NAS在提升SR模型性能與效率方面的系統化方法，不僅深化了對自動化機器學習在圖像恢復領域應用的理解，也為未來開發任務自適應、硬件感知的智能成像算法指明了道路。

        本論文由中國科學院大學及中國科學院物理研究所合作完成。郭靜雯、王星宇為論文共同第一作者，中國科學院大學生命科學學院博士生導師郭玉婷為通訊作者。該研究得到了北京自然科學基金、北京市“新星計劃”及國家高層次人才特殊支持計劃等項目的資助。

原文鏈接：https://doi.org/10.1007/s10462-025-11488-0