摘要
深度学习（Deep Learning, DL）因其强大的表达能力和广泛的适用性，已成为当前图像处理研究中的主流技术。在单图像超分辨率（Single Image Super-Resolution, SISR）领域，深度学习凭借从低分辨率（Low-Resolution, LR）图像重建高分辨率（High-Resolution, HR）图像的能力，占据了主导地位，尤其得益于生成对抗网络（Generative Adversarial Networks, GANs）的广泛应用。SISR研究受到广泛关注，主要因其在提升后续图像处理任务性能方面的潜力，例如目标检测、定位与分类等。本研究提出一种基于多智能体强化学习（Multi-Agent Reinforcement Learning, RL）的算法应用于SISR，构建了一种先进的集成方法，用于融合多个性能优异的GAN模型。在该实现中，每个智能体从一个固定的动作集合中选择特定动作，该动作集由现有GAN-SISR算法的输出结果构成，用于更新其对应像素的值。通过像素级或图像块级（patch-wise）的智能体布局以及相应的奖励机制，算法能够学习到一种优化策略，即从各个候选方案中选取最优的像素值，从而有效提升图像的分辨率。