超分辨率（SR）成像作为计算机视觉的核心任务，旨在从低分辨率输入中恢复高分辨率图像，广泛应用于医学影像、遥感对地观测及移动智能终端。近年来，深度学习极大地推动了SR技术的发展。然而，传统的手工设计模型（Handcrafted Designs）高度依赖专家经验，且面临泛化性差、计算开销大、开发周期长等痛点。神经架构搜索（NAS）作为一种自动化网络设计的范式，为克服这些局限性提供了新思路，但其在SR领域的应用仍处于初级阶段，面临计算成本过高、搜索架构泛化性受限等关键挑战。
图1. 神经网络架构搜索实现了从人工繁琐设计到机器自动构建的范式转变
近日，中国科学院大学郭玉婷研究团队在人工智能领域国际权威期刊（影响因子13.9）《Artificial Intelligence Review》上发表了题为“A review of neural architecture search methods for super-resolution imaging”的综述论文。该研究系统性地梳理了NAS在超分辨率成像中的发展历程，深入剖析了搜索空间、搜索 策略及性能评估机制，并探讨了NAS在单张图像、遥感及视频超分辨率中的前沿应用，为自动化设计高性能、轻量化的SR算法提供了重要参考。
研究团队从NAS的三大核心组件入手，详细解构了SR-NAS的技术特征：1）搜索空间设计：由早期的简单算子堆叠演进为融合空间注意力、残差增强及频率域先验的任务感知型设计；2）搜索策略演变：分析了从资源密集型的强化学习（RL）和进化算法（EA）向高效的可微分搜索（Differentiable NAS）及零成本搜索（Zero-cost NAS）的飞跃；3）多维度评估机制：探讨了如何平衡重建精度（PSNR/SSIM）与硬件感知指标（延迟、功耗、模型大小），以实现Pareto最优。
图2. 链式、单元式与超网络式三种搜索空间定义了 NAS 不同的网络演化逻辑
NAS生成的模型在多个应用领域表现出显著优势：在单张图像超分辨率（SISR）中，如FALSR和DeCoNAS等模型在保持与手工设计模型相当性能的同时，极大地降低了乘加运算（MACs）和参数量；在遥感领域，NAS能更有效地捕捉复杂的空间-光谱特征；在视频超分辨率（VSR）中，自动化搜索显著提升了时空域信息的重构效率。
图3. 经过 NAS 优化的 EDVR 模型在视频修复中展现出顶级的视觉增强效果
针对未来研究方向，团队提出了三大建议：1）降低搜索成本：开发基于结构指标的训练无关预测器；2）增强跨域泛化能力：提升轻量化模型在复杂环境（如低光、水下）下的鲁棒性；3）整合前沿范式：将NAS与模型剪枝、量化等压缩技术深度整合，推动SR模型在受限边缘设备上的实际部署。
该研究首次全面阐明了NAS在提升SR模型性能与效率方面的系统化方法，不仅深化了对自动化机器学习在图像恢复领域应用的理解，也为未来开发任务自适应、硬件感知的智能成像算法指明了道路。
本论文由中国科学院大学及中国科学院物理研究所合作完成。郭静雯、王星宇为论文共同第一作者，中国科学院大学生命科学学院博士生导师郭玉婷为通讯作者。该研究得到了北京自然科学基金、北京市“新星计划”及国家高层次人才特殊支持计划等项目的资助。
